这个AI记住了我搞砸Python的47次，然后偷偷给我换了题

你用过那种金鱼记忆的AI编程助手吗？同一个bug修完又修，它每次都像第一次见你。

开发者Chris发现这个问题时，已经浪费了太多时间。他写了一个叫CodeMentor的工具，核心逻辑简单到离谱：让AI记住你搞砸过什么。

无状态AI的隐形税

每次打开ChatGPT或Claude写代码，对话都是一张白纸。你上周被Rust的借用检查器折磨三小时，今天它照样给你推Rust题。

Chris管这叫「stateless tax（无状态税）」。表面看是便利，实际是重复踩坑的隐形成本。他统计过自己的情况：同一类异步错误在三个月内重现了11次，AI助手每次都给出标准答案，从没问过「这题你是不是熟」。

问题在于反馈闭环断裂。人类程序员靠疼痛记忆成长——被坑过才记得住。AI却像那个永远微笑的客服，「很高兴再次为您服务」，尽管你们根本没见过。

给AI装一个「错题本」

CodeMentor的解法粗暴直接。每次分析代码前，先查档案：

const mems = await hs.recall(bankId, "coding mistakes");

把历史错误喂给模型，反馈立刻变味了。不是「这里应该用async/await」，而是「你上个月在同类型问题上栽过，这次注意Promise.all的返回值」。

Chris用了一个贴切类比：stateless AI是问答机，stateful AI才是教练。前者解决当下，后者积累复利。

更细的操作是主动归档。每次debug结束，系统执行：

await hs.retain(bankId, `Repeated issue: ${mistakes}`);

错误不被丢弃，而是进入个人知识库。三个月后，当Chris又点开一个Python项目时，CodeMentor默默把难度调低了一档——它记得他被Python的类型提示搞崩过47次。

从工具到训练场的跳转

这个功能改写了AI辅助编程的默认假设。行业现状是把AI当搜索引擎用：有问题，问一句，抄答案，关窗口。Chris认为这浪费了AI的真正潜力——它应该认识你，然后有针对性地推你出舒适区。

技术实现依赖一个记忆层（memory layer）。不是简单的对话历史，而是结构化的失败图谱：错误类型、发生频率、修复时长、关联知识点。模型推理时把这些作为隐式上下文，输出自然带上了「因材施教」的味道。

有用户反馈说，用了一个月后发现AI开始「阴阳怪气」——「又是闭包问题？这是你第四次了」。Chris把这当成 compliment（ compliment）。说明记忆生效了。

谁需要被记住？

CodeMentor目前聚焦个人开发者，但逻辑可以延伸。团队场景里，新成员的历史错误能成为 onboarding 素材；教育场景里，学生的错题轨迹比任何测试都准。

Chris在文档里埋了一句挑衅：「Templates let you quickly answer FAQs or store snippets for re-use」。表面说模板功能，实际在对比——市面上AI工具都在优化「快速回答」，却没人优化「记住你问过什么」。

这触及一个尴尬现实：大模型公司追求通用性，个人化体验是盲区。你的数据训练了它们，但它们并不「认识」你。CodeMentor把记忆权交还用户，算是一种技术民主化。

当然，代价是隐私。你的失败记录存在哪？谁有权访问？Chris的解决方案是本地化存储，bankId指向用户自持的数据库。不是最方便的，但是最诚实的。

项目开源后，有个issue问得直接：「如果AI记得我所有蠢事，会不会反而限制我尝试新技术？」Chris没回复，但代码里留了一个开关——记忆权重可调，从「完全遗忘」到「刻骨铭心」。

你会把自己调到哪一档？