Vibe Coding 不崩的秘诀：用 AI 自动生成"项目记忆"，让 Claude 永远记得你的架构决策
Vibe Coding 不崩的秘诀：用 AI 自动生成"项目记忆"，让 Claude 永远记得你的架构决策
你有没有遇到过这种情况：
项目跑了两个月，某天你让 AI 帮你加个新功能，它给你写出来的代码风格和你之前的完全不一样，甚至绕开了你三周前专门为这个场景设计的工具函数。
这不是 AI 变笨了，是它根本不知道你的项目"长什么样"。
每次新开对话，模型的记忆清零，它看到的只是你粘贴进去的那几百行代码。它不知道你为什么选 Prisma 不选 Drizzle，不知道那个奇怪的 utils/retry.ts 是有意设计的，更不知道你的错误处理约定。
Vibe coding 项目后期崩溃，80% 的原因不是 AI 不行，是上下文管理没做好。
解决方案：给项目写一份"AI 可读的记忆"
核心思路很简单：用脚本扫描你的项目，自动生成一份结构化的 CONTEXT.md，每次和 AI 对话时把它塞进 system prompt。AI 就有了"项目长期记忆"。
下面这套脚本我在实际项目里用了快半年，效果稳定。
第一步：自动扫描项目，生成结构摘要
import os
import json
from pathlib import Path
from openai import OpenAI
# 用无量 API，国内直连，比官方便宜 60%+
client = OpenAI(
api_key="your_api_key_here",
base_url="https://api2everything.xyz/v1"
)
def collect_project_files(root: str, extensions: list[str], max_files: int = 40) -> dict:
"""收集项目关键文件内容，过滤掉 node_modules / dist 等噪音"""
result = {}
skip_dirs = {".git", "node_modules", "dist", "__pycache__", ".next", "build", "venv"}
for path in Path(root).rglob("*"):
if any(part in skip_dirs for part in path.parts):
continue
if path.suffix in extensions and path.is_file():
try:
content = path.read_text(encoding="utf-8", errors="ignore")
# 超长文件只取前 120 行，避免撑爆 token
lines = content.splitlines()[:120]
result[str(path.relative_to(root))] = "\n".join(lines)
except Exception:
continue
if len(result) >= max_files:
break
return result
def generate_project_context(project_root: str = ".") -> str:
"""让 Claude 读懂你的项目，生成一份给 AI 看的记忆文件"""
files = collect_project_files(
project_root,
extensions=[".ts", ".tsx", ".py", ".js", ".json", ".md", ".prisma"]
)
# 构建给模型看的文件树
file_tree = "\n".join(f"- {f}" for f in files.keys())
file_contents = "\n\n".join(
f"### {fname}\n```\n{content}\n```"
for fname, content in list(files.items())[:25] # 取前 25 个最重要的
)
prompt = f"""你是一个资深架构师，正在阅读一个真实项目的代码。
项目文件列表：
{file_tree}
部分关键文件内容：
{file_contents}
请生成一份简洁的「项目上下文记忆」，格式如下：
## 技术栈
（列出主要依赖和版本）
## 目录结构约定
（说明各目录的职责）
## 核心设计决策
（列出 3-5 个关键的架构或代码约定，例如错误处理方式、状态管理方案、API 调用约定）
## 常用工具函数
（列出已有的 utils / hooks / helpers，避免 AI 重复造轮子）
## AI 协作注意事项
（生成新代码时必须遵守的规范）
要求：
- 不超过 600 字
- 每条都要具体，能直接指导 AI 写代码
- 不要废话"""
response = client.chat.completions.create(
model="claude-sonnet-4-5", # 或 gpt-4.1，看你的预算
messages=[{"role": "user", "content": prompt}],
max_tokens=1200,
temperature=0.3
)
return response.choices[0].message.content
if __name__ == "__main__":
print("正在分析项目结构...")
context = generate_project_context(".")
# 保存到项目根目录
output_path = Path("CONTEXT.md")
output_path.write_text(f"# 项目 AI 记忆\n\n> 此文件由脚本自动生成，每次大改动后重新运行\n\n{context}", encoding="utf-8")
print(f"✅ 已生成 CONTEXT.md（{len(context)} 字符）")
print("\n--- 预览 ---")
print(context[:500])
第二步：把"记忆"注入到每次对话
生成了 CONTEXT.md 之后，关键是每次和 AI 对话都要带上它。下面是一个简单的封装：
def ask_with_context(user_question: str, context_file: str = "CONTEXT.md") -> str:
"""带项目记忆的 AI 对话"""
context = ""
if Path(context_file).exists():
context = Path(context_file).read_text(encoding="utf-8")
system_prompt = f"""你是这个项目的资深开发者，对项目架构了如指掌。
{context}
---
回答问题时：
1. 优先复用项目里已有的工具函数和约定
2. 新代码的风格要和现有代码保持一致
3. 如果你不确定某个细节，直接说，不要瞎猜"""
response = client.chat.completions.create(
model="claude-sonnet-4-5",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_question}
],
max_tokens=2000,
temperature=0.2
)
return response.choices[0].message.content
# 使用示例
answer = ask_with_context("帮我给 /api/user 路由加一个限流中间件")
print(answer)
第三步：建立"决策日志"，让记忆不断累积
光有代码扫描还不够。有些关键决策是在对话里做出来的，不会留在代码里。建议在项目里加一个 DECISIONS.md，每次做了重要的技术选型就手动记一条：
## 2025-07-14 选择 Zustand 而不是 Redux
原因：项目规模不大，Redux 的 boilerplate 太重。Zustand 的 store 都放在 src/store/ 下，
禁止在组件里直接 mutate。
## 2025-07-10 API 错误处理约定
所有 API 调用都通过 src/utils/request.ts 的 safeRequest 封装，
它会统一处理 401 跳转和错误 toast，不要在组件里单独 catch。
把这个文件也加进 collect_project_files 的扫描范围，AI 就能知道你"踩过哪些坑、做过哪些妥协"。
实际效果
按这套流程跑下来，我的项目在第三个月加新功能时，AI 第一次给出的代码和已有风格吻合度明显提升，返工次数大幅减少。
真正让 vibe coding 稳定的不是模型有多聪明，是你给它的上下文有多准确。
关于 API 费用
上面的脚本每次运行大概消耗 5000-8000 token，用 Claude Sonnet 4.5 的话成本极低。我直接用的无量API（api2everything.xyz），国内直连不需要任何代理，300+ 模型统一接入，比官方便宜 60% 以上，改一行 base_url 就能用，注册还送 ¥1 余额。跑这类日常工具脚本完全够用。
有什么具体项目结构想适配的，或者脚本跑起来遇到问题，评论区聊。觉得有用的话点个赞，我后面会继续写 AI 辅助开发的实战系列。