用AI开发了一个页面后，我把经验“复制粘贴“到了另外10个页面

原创于 2025-12-25 16:44:03 发布 · 693 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #Agent #Memory #AI记忆提取 #AI经验复用 #AI会话记录

AI 探索专栏收录该内容

41 篇文章

订阅专栏

AgenticCoding·十二月创作之星挑战赛 10w+人浏览 485人参与

用AI开发了一个页面后，我把经验"复制粘贴"到了另外10个页面

开发第一个页面花了3小时，后面10个页面平均只用了40分钟。秘密不是我变强了，而是我学会了"偷"自己的经验。

在这里插入图片描述

一个让我抓狂的场景

上个月，我用Claude Code开发了一个复杂的数据表格页面。整个过程和AI反复讨论：用虚拟滚动还是分页？筛选条件存URL还是Store？动态行高怎么处理？

3小时后，页面完美上线。

一周后，产品经理说：“这个页面做得不错，我们还有10个类似的页面要做。”

我心想：太好了，有经验了，应该很快。

然后我发现——我忘了上次是怎么做的。

翻聊天记录？太长了。看代码？只有结果没有推理过程。问AI？它不记得上次的对话。

我不得不重新踩一遍坑：虚拟滚动的VariableSizeList要在数据更新后调用resetAfterIndex，这个细节我又花了20分钟才想起来。

这就是AI协作开发最大的悖论：每次对话都产生宝贵的经验，但每次对话结束，经验就消失了。

问题的本质：你的经验正在"蒸发"

如果你也在用AI写代码，回想一下：

上周和AI讨论的那个技术决策，现在还记得为什么那样选吗？
那个折腾了半小时才解决的bug，下次遇到还能立刻想起解法吗？
AI纠正你的那个代码习惯，你写进文档了吗？

大概率没有。

不是你懒，是这件事太反人性了——对话刚结束时，一切都清晰在脑子里，谁会想着马上整理？等到需要时，细节早就模糊了。

我统计过自己的情况：每10次AI协作对话，大约产生3-5个值得记住的经验点。一个月下来就是近百个。但真正被我记住并复用的，不到10%。

90%的经验，蒸发了。

解法：让AI自己"记住"

既然问题出在人工整理太反人性，那就让AI来干这件事。

我设计了一个叫catch-memories的命令，核心逻辑很简单：

对话结束后，让AI分析整个会话记录，自动提取值得记住的经验，存成结构化的JSON文件。

不是记录"做了什么"，而是提取"为什么这样做"和"学到了什么"。

比如那个表格页面的会话，提取出来的记忆是这样的：

决策：表格使用虚拟滚动而非分页
原因：用户需要频繁对比不同行数据，分页会打断操作流程
适用边界：数据量>100行且有跨行对比需求时适用

学习：react-window动态行高处理
关键点：使用VariableSizeList，数据更新后必须调用resetAfterIndex
踩坑记录：不调用会导致滚动位置错乱，很难排查

纠正：筛选条件不要存URL
原因：复杂筛选条件会超出URL长度限制
规范：统一存Store，URL只存简单的页面状态

下次开发类似页面，直接检索这些记忆，40分钟搞定。

开发第一个页面是探索，开发第十个页面应该是复制。

什么样的经验值得被记住？

不是所有对话都值得记忆。“帮我读一下这个文件”、“格式调整一下”——这些是噪音。

真正有价值的是五种"意外时刻"：

1. 从失败中恢复

工具报错→换个方法→成功了。这个"换"的过程就是经验。

2. 方向被纠正

你说"用方案A"，AI或你自己后来发现"其实应该用B"。为什么？这个"为什么"值千金。

3. 意外的惊喜

“这个方法比我想的好用多了”——说明你发现了一个超出预期的解法，值得记录。

4. 预期被打破

以为是X问题，查下来是Y问题。这种认知纠偏是最宝贵的学习。

5. 重复出现的场景

第二次遇到类似需求了？说明这是个值得抽象的模式。

经验提取的本质，是在对话中寻找这些"认知转折点"。

十种记忆类型：建立你的经验分类体系

为了让提取的经验可检索、可复用，我设计了十种记忆类型：

类型	说明	复用价值
决策	在A和B之间选了A，以及为什么	直接指导相似场景的选择
学习	技术细节、API用法、踩坑记录	避免重复踩坑
纠正	被指出的错误做法	形成个人代码规范
洞察	对项目/系统的新认知	加速理解新项目
模式种子	可能值得抽象的重复场景	识别通用模式
承诺	答应要做但还没做的事	技术债务追踪
缺口	发现的知识或能力盲区	指导学习方向
工作流备注	偏离标准流程的特殊处理	理解项目特殊性
置信度	对某结论的确定程度	判断经验可靠性
跨Agent	需要告诉其他工具的信息	多工具协作

分类的目的不是为了好看，是为了检索。 当你要开发一个新表格页面，直接搜"决策+表格"，相关经验就出来了。

质量比数量重要一万倍

这是我踩过的最大的坑：一开始贪多，每个会话提取二三十条"记忆"。

结果呢？记忆库变成了垃圾场。太多低价值信息淹没了真正重要的经验，检索出来的结果噪音太大，最后干脆不用了。

现在的原则是：每个会话只提取3-10条，宁缺毋滥。

具体的过滤规则：

跳过这些：

没有推理过程的常规操作
简单的文件读写
确认性回复（“好的”、“明白”）
纯格式调整

必须捕获这些：

考虑了多个方案的决策点
从错误中学到的教训
用户的明确纠正
任何让你说"原来如此"的时刻

还有一个硬指标：置信度评分。

90-100分：对话中明确说了的
70-89分：从上下文能强烈推断的
50-69分：有一定不确定性的推断
50分以下：不提取，太不靠谱

宁可漏掉一些经验，也不要记录不靠谱的"经验"。错误的经验比没有经验更危险。

一个真实的经验复制案例

让我用一个完整的例子说明这套方法的威力。

第一个页面开发（3小时）：

和AI讨论了虚拟滚动vs分页、筛选条件存储方案、动态行高处理、列配置设计等问题。中间踩了几个坑，被AI纠正了两次代码习惯。

会话结束后执行记忆提取，得到7条记忆：

[决策] 虚拟滚动vs分页的选择标准
[学习] react-window动态行高的正确用法
[纠正] 筛选条件应存Store而非URL
[纠正] 不要在组件内直接调用API
[洞察] 项目API分页使用cursor而非offset
[模式种子] 表格配置可抽象为useTableConfig
[学习] 虚拟列表滚动位置保持的技巧

第二个页面开发（50分钟）：

开始前检索"表格"相关记忆，看到第1条决策记忆，判断当前场景适合虚拟滚动。直接应用第2条学习避免了动态行高的坑。按照第3、4条纠正规范写代码。

唯一新遇到的问题是列宽拖拽，补充了1条新记忆。

第五个页面开发（35分钟）：

流程已经完全标准化。检索记忆→应用决策→避开已知坑→只处理新问题。

这时候第6条模式种子已经被触发3次了，于是花时间抽象出了useTableConfig hook。之后的页面更快了。

第十个页面开发（25分钟）：

大部分代码是复制粘贴+微调。记忆库里已经有了这类页面的完整知识图谱。

这就是经验复制的威力：不是你变强了，是你的"外部大脑"变强了。

与传统知识管理的本质区别

你可能会说：这不就是写文档吗？

不一样。区别在于三点：

	传统文档	会话记忆提取
谁来写	人工撰写	AI自动提取
写什么	事后总结的结论	实时捕获的推理过程
什么时候写	项目结束后（经常忘记）	每次对话后（自动化）

传统文档的问题是：它依赖你"事后想起来要写"，而这恰恰是最反人性的。

对话刚结束时，细节都在脑子里，感觉"这么简单的事不用记"。等到真需要时，细节早就模糊了，想写也写不出来了。

会话记忆提取把这个过程自动化了。你不需要改变任何习惯，只需要在对话结束时跑一个命令，剩下的AI帮你搞定。

最好的知识管理，是你感觉不到在做知识管理。