AI 项目记忆体系：向量搜索的文档优先设计

在为 AI Agent 设计项目记忆时，人们很容易先去选择检索技术。但在嵌入文档、存储对话或构建图谱之前，项目需要先确定：持久化知识究竟存放在哪里。dotdotgod 的做法是，将这些知识保存在可供人们审阅和进行版本管理的文档中，再使用搜索和图谱作为派生层，将 Agent 引导至它们所需的文档。这就是文档优先（docs-first）项目记忆的基本结构。

前几篇文章介绍了目录、文件名和 README 文件如何为 AI Agent 构成文档目录，以及 dotdotgod 如何让这份目录保持更新。本文将在此基础上继续深入，把项目记忆的权威来源与可从中重建的检索数据区分开来。

将源数据与派生数据分离

项目记忆包含多个生命周期不同的层次。

维护中的文档可以由人们阅读、修改和审阅。当这些文档被提交到 Git 后，项目就可以追溯其内容何时发生变化，并在同一次变更中审阅 spec 与测试之间的关系。

.dotdotgod/ 下的 vector cache 由选定的 Markdown 段落计算得出。graph cache 除了索引文档之间的关系，还会索引 package、源代码、测试和配置的 metadata。二者都能提升检索速度与质量，但对于产品行为和设计决策的权威解释，仍然来自维护中的文档和代码。

Maintained documents
  ├── relationship extraction → graph index
  ├── passage embedding       → vector cache
  └── selective reading       → session context

这些箭头的方向非常重要。维护中的文档负责保存含义；graph、vector cache 和 session context 则负责为当前任务检索并提供这些含义。

派生数据应该可以重建

将源数据与派生层分离，可以形成清晰的故障边界。删除 vector cache 并不会影响 Markdown 源文件；过期或损坏的 graph index 也可以根据 repository 中的文件重新构建。当语义检索不可用时，Agent 仍然可以通过目录文档地图和 README 索引进行导航。即使某个 Agent session 已经结束，共享规则和 spec 也依然保留在 repository 中。

随着模型、embedding 格式和 Agent 工具不断变化，这种可恢复性能够保护项目的核心知识。local vector cache 和 graph cache 与其源数据相互分离，因此可以根据源文件、维护中的文档和项目配置重新计算。

搜索结果是地址，而不是答案

当问题与文件名使用不同措辞时，自然语言检索非常有用。用户可能会问：“为什么旧计划没有包含在默认 context 中？”而相关文档的名称却是 LOAD_PROJECT.md 和 MEMORY_AREA_CONFIG.md。即使表述方式不同，多语言 embedding search 也可以找出含义相关的段落。

但仅凭语义上的接近程度，无法判断一个段落究竟是当前 spec、历史计划，还是未经验证的想法。目录路径会揭示文档的角色，而每个 README 则为其所在区域提供局部索引。Memory area 描述其作用范围，以及内容属于 fresh 还是 stale；显式 traceability 则把 spec 与实现和测试连接起来。

因此，搜索结果只是一个候选地址，指向值得阅读的源文档。Agent 会检查结果的路径和角色，阅读相关源文档，然后再作出决定。

Graph 创建回到源文档的审阅路径

relationship graph 可以找出那些在文件发生变更后，值得一同审阅的 spec、测试和命令。Markdown 链接、README 路径、package 关系以及结构化 traceability 提供了这些连接。

graph score 用于确定审阅优先级。结果会随着已记录关系的覆盖范围和质量而变化，因此，最终决定仍然需要通过阅读并验证排名最高的 spec、代码和测试来作出。

vector retrieval 和 relationship graph 从不同的输入出发。

每种方法都从不同的起点提供了一条返回维护中源文档的路径。

Load 在不复制源文档的情况下划定阅读范围

当 Agent 进行选择性阅读时，文档优先的结构最能发挥作用。dotdotgod 的 Load 工作流通过五个步骤，缩小当前任务的阅读范围。

检查 AGENTS.md、repository README 和 docs/README.md 等入口点。

在大范围阅读文档正文之前，先构建一份有深度限制的文档地图。

当用户提出问题时，使用语义检索缩小文档路径的范围。

只选择与当前任务相关的计划或历史记录。

阅读所需源文档中的相关章节。

Load 的输出是临时检索 context，会根据当前 session 和问题进行组织。后续任务可以基于同一批源文档，创建一条不同的阅读路径。

信任始于项目记忆的存放位置

仅靠检索准确率，无法保证 AI 项目记忆的质量。人们必须能够审阅结果背后的源数据。路径必须能够区分当前 spec 与历史记录。即使搜索索引被删除，项目知识也必须继续存在；不同的 Agent 也必须能够访问相同的源数据和规则。

文档优先的项目记忆以可审阅的源数据为基础，把 vector retrieval、graph 和 Load 用作导航工具。

维护中的文档负责保存项目记忆。检索结果则指向当前值得阅读的那部分记忆。

AI Agent 记忆始于文档目录

dotdotgod 如何让文档目录保持更新

Context 筛选概念

文档结构架构

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。