檢視 Tool:AI Coding Agent 的原始碼

= Universal AI 長期記憶框架 =
'''[https://github.com/chenweichiang/Universal-AI-Long-Term-Memory-Framework/blob/main/README_zh-TW.md Universal AI Long-Term Memory Framework]'''

本框架旨在建立一套可持續演化的 AI 長期記憶系統，結合動態代理工作流與多層記憶架構，使 AI 能夠在專案中持續學習、推論與優化。

----
<graphviz>
digraph AI_Workflow_Simple {
  rankdir=LR
  node [shape=box, style=rounded]

  Start   [label="初始化"]
  Sense   [label="讀取上下文\n(專案 + 記憶)"]
  Think   [label="動態規劃與推論"]
  Act     [label="執行任務"]
  Memory  [label="寫回經驗\n(更新記憶)"]

  Start -> Sense
  Sense -> Think
  Think -> Act
  Act -> Memory
  Memory -> Sense [label="下一輪任務"]
}
</graphviz>
----

== 一、系統總覽 ==

本系統包含兩大核心結構：

* 動態代理工作流（Phase 0–4）
* 四層全域記憶架構（Layer 1–4）

兩者形成閉環，使 AI 能在任務中持續累積經驗並優化決策。

----

== 二、動態代理工作流 ==

=== Phase 0：環境稽核與初始化 ===
* 檢查專案基礎結構
* 驗證必要工具鏈（如測試、版本控制）
* 建立執行環境

=== Phase 1：啟動與全域感知 ===
* 讀取專案上下文
* 載入 AGENTS.md
* 檢索本地語義記憶
* 確認任務目標

=== Phase 2：動態推論 ===
* 分析需求
* 生成策略
* 規劃執行步驟
* 使用歷史經驗輔助決策

=== Phase 3：閉環執行與自我修復 ===
* 執行程式碼或任務
* 進行測試與驗證
* 若失敗則修復
* 重複直到成功

=== Phase 4：經驗收斂與記憶持久化 ===
* 產生 Decision Log
* 更新 Success Log
* 將摘要寫入向量資料庫
* 同步至雲端儲存

此流程形成持續循環的智能成長機制。

----

== 三、四層全域記憶架構 ==

=== Layer 1：結構化實體記憶 ===
* AGENTS.md
* Decision Log
* Success Log
* 專案文件

特點：
* 可讀性高
* 可版本控制
* 可審查

=== Layer 2：本地語義向量記憶 ===
* 使用 LanceDB
* 儲存語意向量
* 支援語意搜尋

用途：
* 提升推論品質
* 加速相似問題匹配

=== Layer 3：對話經驗摘要索引 ===
* 將長對話壓縮為摘要
* 建立任務索引
* 優化上下文長度限制問題

=== Layer 4：雲端原生大數據記憶 ===
* 雲端備份
* 長期保存
* 跨裝置同步

----

== 四、核心運作邏輯 ==

# 讀取記憶
# 推論與規劃
# 執行與驗證
# 寫回記憶
# 進入下一輪任務

此機制確保：

* 任務可持續優化
* 決策可追溯
* 記憶可持久化
* AI 能形成累積性學習

----

== 五、系統特性 ==

* 可模組化擴展
* 支援本地與雲端混合架構
* 支援自我修復機制
* 支援持續整合與測試

----

== 六、應用場景 ==

* AI Coding Agent
* 自動化研發系統
* 長期專案管理
* 智能決策輔助系統

----

== 七、總結 ==

本框架建立一種「可持續成長的 AI 工作模式」：

* 任務 → 學習 → 記憶 → 優化 → 再任務

透過動態工作流與分層記憶架構，AI 不再只是單次回應系統，而是具備長期演化能力的智能代理。