项目记忆通过构建动态知识图谱实现AI对代码库演化的深度理解，自动提取接口变更、模块拆分等节点并存于SQLite FTS5支持语义检索，融合决策日志、约定沉淀与未完成线索，经/dream蒸馏压缩冗余、提升精度，并支持手动干预与自动生成记忆锚点。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
项目记忆不是简单地缓存代码片段，而是把整个代码库的演化过程变成AI可理解、可推理的知识图谱。
项目记忆如何构建知识图谱
它会自动提取关键节点：接口定义变更、模块拆分时间点、核心类的继承关系演进、测试覆盖率波动趋势。这些信息被结构化存储在SQLite FTS5引擎中，支持语义检索而非关键词匹配。比如你问“为什么PaymentService不再调用RedisCache”，它能回溯三个月前的一次重构提交，并关联当时的PR描述、评审意见和后续的性能监控数据。
记忆内容不只是代码，还包括开发上下文
- 决策日志：自动捕获commit message、pull request标题与评论、CI失败原因等非代码信号
- 约定沉淀：识别命名规范（如“useXxxHook”必须返回Promise）、文件组织惯例（如hooks目录只放函数组件逻辑）
- 未完成线索：标记TODO注释、临时绕过逻辑、已知但暂未修复的边界case
记忆不是静态快照，而是动态演化的状态机
每次执行/dream命令，系统会触发一次记忆蒸馏：合并重复意图、验证路径有效性（例如确认某段被标记为“待废弃”的代码是否已被真正移除）、压缩冗余对话。这个过程让记忆体积缩小30%以上，同时提升后续查询响应精度。长期使用后，AI对项目的理解不再依赖单次会话长度，而取决于它“经历过多少次真实迭代”。
开发者可以主动干预记忆质量
- 用/mem add手动注入设计文档或架构图摘要
- 用/mem prune删除已过期的技术选型说明（如淘汰的旧版SDK文档）
- 在Compose模式下，AI会自动生成记忆锚点——每个交付成果都附带一句“本次修改强化了XX模块的幂等性保障”，成为后续推理的依据
