AI 助手能力飙升却患“健忘症”？会话重置成最大痛点

设想这样一个情境：你利用 Cursor 耗费整周调整项目，终于让 AI 透彻理解了代码架构、命名准则、过往决策及失败教训。然而周一清晨开启新会话时，所有记忆瞬间清零。

你不得不重新向它阐述：仓库结构如何布局，此前为何摒弃方案 A 而选择方案 B，哪些边缘情况会引发 CI 故障，以及哪些文件属于禁区。

此类状况每日都在上演，每一个启用编程智能体的团队都深受其扰。

「AI 智能体日益强大，却仍受困于一个基础难题：不断重复学习相同内容。」

▲ Rohan Paul 的原帖，聚焦智能体冷启动成本议题

Rohan 随后做出了更具体的阐释：

「每当启动新的 Cursor 会话、运行编程智能体，或委托其进行安全告警分级时，大量精力其实都损耗在重建上下文环境上。」

他将此现象称为「冷启动税」——你以为在为推理算力买单，实则大量 Token 消耗与时间成本，都浪费在「告知智能体你的身份、当前任务及历史轨迹」上。

单纯扩展上下文窗口能否破解此局？

答案是否定的。无论是 128K、200K 还是更长的窗口，解决的仅是单次会话的内容承载量。至于跨会话的经验积累——上一轮哪些策略奏效、哪些路径受阻、何种任务适配何种执行模式——这些关键信息在窗口关闭刹那便烟消云散。

这好比雇佣了一位从不记笔记的实习生：每次交办任务都能出色完成，但次日复工时，前一日习得的所有经验全部归零。

正因如此，越来越多的开发者将目光投向了智能体记忆（agent memory）领域。在 Hacker News 上，近几个月相关讨论层出不穷：

尽管方向各异，但共识清晰明确：智能体每次重构上下文、无法传承历史经验，已成为全行业的效率黑洞。

Rohan 在文中提及了一个名为 EvoMap 的项目，并运用了一个直观的比喻：

「GitHub 实现了代码的复用，而 EvoMap 正致力于让 AI 智能体的经验也能被复用。」

EvoMap 将其核心机制划分为两个层级：

Gene（基因）：可复用的策略模板。它封装的是「解决某类问题的方法论」——例如如何执行安全的数据库迁移、如何处理特定类别的安全告警、如何在特定框架下实施 API 版本迭代。

Capsule（胶囊）：经证实成功的执行记录。它留存的是「该策略在真实任务中确实验证通过」的证据链——涵盖执行环境、输入输出数据及最终成果。

依据此逻辑，当智能体面对新任务时，会优先检索是否存在相似的 Gene 或 Capsule，调用已验证的方法执行，并在完成后将新结果反馈回系统。

这与单纯保存聊天记录截然不同。聊天记录仅是流水账，而 Gene/Capsule 则是经过验证、带