推荐语

Cursor 和 TRAE 将聊天机器人升级为有记忆的 AI 同事，让你的知识管理更高效持久。

核心内容：
1. 为什么普通聊天机器人无法满足深度协作需求
2. TRAE/Cursor 如何构建本地记忆系统实现知识沉淀
3. 三层记忆结构与用户规则设计实现高效人机协作

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

TRAE 和 Cursor：把聊天机器人变成有记忆的 AI 员工

本文整理自「TRAE 使用分享会」，把现场讲到的做法整理成一篇可直接照着做的长文。读完你会知道：为什么光有聊天机器人不够、记忆系统长什么样、怎么配 User Rule 和 Skills，以及按什么顺序上手。

一、为什么光有聊天机器人还不够？

豆包、DeepSeek、ChatGPT 这类网页版，本质是聊天对象，不是有记忆的同事：

• • 聊天只存在于当前会话，关掉就「失忆」；
• • 对你的项目、文档、历史决策没有直接感知；
• • 很难长期记住你们已经达成的共识。

我们要解决的问题是：让 AI 不只会聊天，还能记住每次会议、每篇长文、每个决策。

做法是：用 TRAE / Cursor 这类 IDE + Agent 工具，配一套本地的「卢曼卡片盒」式记忆系统。

二、TRAE / Cursor 做的是「宿主」，不是花哨界面

TRAE 和 Cursor 是嵌了 Agent 的 IDE：

• • 有本地文件读写权限，能直接操作你的 Markdown、代码、配置；
• • 能被一份 User Rule 约束「身份和行为」，而不是被临时 Prompt 带着跑；
• • 能通过 Skills（如 deep-learning、file-organize、meeting-note）跑完整工作流。

对应到卢曼卡片盒：

• • 纸卡片 → 本地 .md 文件；
• • 物理卡盒 → 05_每日记录 目录；
• • 索引卡 → 03_索引 目录；
• • 抄写与连线 → 由 AI 在 IDE 里自动完成。

Obsidian 负责把这套文件的可视化（图谱、反链、搜索），给人看、也给 AI 一个统一结构。

一句话：TRAE / Cursor + 本地 MD + Obsidian = 适合 AI 的卢曼卡片盒宿主。

三、记忆系统长什么样？

记忆分三层：

1. 每日记录（按日期放的「原材料」）
今天发生的会议、长文阅读、任务拆解，都落在当天的目录下，每个任务一个子文件夹，里面是结构笔记、原子笔记、方法笔记。

2. 索引（按主题的「导航图」）
按领域/主题组织入口，回答「它和谁对话」。一个索引可以指向很多天的笔记，笔记底部也会反链回索引。

3. 记忆文件（跨天的复盘）
memory/ 按天记 Intent / Changes / Open loops；MEMORY.md 只保留长期有价值的洞察和模式。

Agent 每次收到会议纪要、长文或对话，都要帮你：先落到每日记录 → 再挂到相关索引 → 再更新记忆文件。

四、User Rule：给 AI 一份「宪法」

光有目录不够，还要用 User Rule 规定 Agent 是谁、怎么干活。例如：

• • 身份与使命：定义成「基于卢曼卡片盒的知识管理分身」，职责是维护知识网络。
• • 称呼与上下文校验：要求每次回答用固定称呼开头；一旦不用了，就说明上下文污染了，该开新会话。
• • 领域最强专家：每个任务模拟该领域最顶级的思考者（如产品用《启示录》作者，AI 工程用 Karpathy），把输出质量锚在高质量语料上。
• • 记忆与落盘：复杂任务先写执行计划，必须生成结构笔记和索引，结果写入每日记录并做流程审查。

原则就一句：用 User Rule 长期、稳定地收紧模型的行为空间，而不是靠一次性的超级大 Prompt。

五、deep-learning：一条可复用的流水线

遇到书、长文、研报、会议纪要时，用 deep-learning 这条流水线一次性处理到位：

1. 1. Phase 0：写执行计划（至少 6 条 TODO + 本次阅读的 Intent），先和 AI 对齐「要搞到什么深度」。
2. 2. Phase 1：产出结构笔记，回答「解决什么问题、核心命题、逻辑树、阅读顺序、和已有方法的关系」。
3. 3. Phase 2–2.5：建索引笔记并挂到已有索引，移动到 03_索引/。
4. 4. Phase 3–4：按结构笔记拆出原子笔记和方法笔记，每张卡补上「上一张 / 下一张」阅读顺序。
5. 5. Phase 5–6.5：用 Feynman 标准检查是否讲明白，在索引中添入口、笔记加反链，最后用 workflow-audit 做流程审查。

这样，重要材料都会留下「骨架 + 卡片 + 索引」三件套，半年后再看也看得懂。

六、把会议纪要变成知识资产

平时开会往往是：有录音/智能纪要 → 发群里 → 两周后没人再看。

在这套体系里可以这样处理：

1. 1. 落盘：把智能纪要全文存成 YYYYMMDD_会议名_原始纪要.md，放到当天 05_每日记录 下。
2. 2. 处理：在对话里说「用 deep learning 处理这次会议」，后面跟上全文纪要，让 Agent 写执行计划、产出结构笔记。
3. 3. 拆卡片：从结构笔记里拆出概念卡和方法卡（如「聊天机器人与 Agent 工具差异」「会议纪要如何落盘与入网」等），变成可复用的独立卡片。
4. 4. 入网：在项目索引和「会议纪要」索引里各加一条入口，指向这次会议的结构笔记。

以后从项目视角查历史、从方法论视角查卡片，都能回到这次会议；AI 做后续工作时也能顺着索引把内容调出来。