AI编程助手每天都失忆,直到我给它装了这个

用 Claude Code 写了大半年代码，我发现一个反直觉的事实，200k 上下文窗口，听起来够大了吧？实际体感是，塞 5 个文件就开始吃紧，聊到后半段它就开始忘事。

每次开新会话，我都得重新解释一遍项目结构、业务逻辑、文件关系。像极了每天上班要跟一个失忆同事重新自我介绍。

长上下文不等于好记忆

这是很多人没想明白的一个点。上下文窗口是工作台，不是记忆。

工作台大，意味着你一次能摊开更多文件看。但它不会帮你记住昨天的对话、上周改过的函数、三天前讨论的架构决策。会话结束，一切归零。

更要命的是，200k token 看着富裕，真往里塞代码其实很快就见底。一个中型项目随便几十个文件就能吃掉大半上下文，留给真正「思考」的空间反而被压缩了。

这就是为什么你会觉得 AI 编程助手「越聊越蠢」，不是模型变笨了，是它的工作台被你的文件淹没了。

上周刷 GitHub Trending，一个项目 7 天涨了近 8000 star。名字直白，codebase-memory-mcp，给代码库装持久化记忆。

它的思路很简单，不把代码塞进上下文，而是把整个代码库预先解析成知识图谱，通过 MCP 协议按需查询。AI 需要什么信息就查什么，不需要把整个仓库摊在工作台上。

技术上它用 tree-sitter 做 AST 解析，支持 158 种语言，把函数、类、调用链、HTTP 路由、跨文件引用全部建成图节点和边。查询走的是图遍历，不是全文搜索。

实测数据让我有点意外。

Linux 内核，2800 万行代码、7.5 万个文件，3 分钟建完索引。普通项目基本是毫秒级。查询响应不到 1 毫秒。

最关键的数字，同样的结构性问题，逐文件搜索要吃掉 41.2 万 token，走知识图谱只要 3400 token。省了 99.2%。

这不是优化，这是量级差。从「每次对话烧半个上下文窗口来找代码」变成「精准查一下图谱就拿到答案」。

市面上做代码记忆的方案不少，Cursor 的 indexing、Codeium 的 codebase context，大多走向量嵌入 + 语义搜索那条路。

这个项目选了知识图谱，我觉得对代码场景来说更准确。因为代码的核心关系是结构性的，谁调用谁、谁继承谁、这个路由对应哪个 handler，这些是确定性的图关系，不是模糊的语义相似度。

向量搜索擅长「这段代码和那段代码像不像」，但你问「ProcessOrder 被谁调用了」，图遍历一跳就出结果，向量搜索还在算余弦距离。

装完之后跟 Claude Code 说一句「Index this project」就完事。后续对话里它会自动走 MCP 查图谱，不用你操心。

体感上最明显的变化是，不用再花前 5 分钟给 AI 介绍项目了。直接说「这个函数的上游调用链是什么」「改这个接口会影响哪些地方」，它能秒答。

14 个 MCP 工具覆盖了搜索、调用链追踪、变更影响分析、死代码检测、架构概览。单个静态二进制，零依赖，下载就能跑。

本质上它把 AI 编程助手从「每次对话都是初见」变成了「带着完整项目理解入场」。

同一周 GitHub Trending 上还有好几个类似方向的项目，agent 长期记忆、多 agent 协作、代码理解。

这不是巧合，当前 AI coding 的瓶颈早就不是模型不够聪明，而是上下文管理。模型够聪明了，但它记不住东西，这才是最大的体验黑洞。给 AI 装外挂记忆，是接下来半年会反复看到的主题。

你被 AI 编程助手的「失忆」坑过吗？每天开新会话都要重新介绍一遍项目的痛，评论区聊聊。