给大模型喂整个代码库其实是个巨大的浪费

很多人习惯用 CLAUDE.md 或者靠 RAG 检索，但 RAG 找的是“相似度”而不是“权威度”，它没法告诉你哪个决定是最新的，或者某个结论是从哪行代码推出来的。为了解决这个痛点，我最近在试一个叫 Qarinah 的本地项目内存编译器，它把决策过程变成了可追踪的“事件”，而不是简单地堆砌文本。

它的核心逻辑是把事实、工具执行结果和审批记录分开存储，任务开始时只抓取相关的证据包（Evidence-linked pack），而不是把整个历史记录重播一遍。

实测下来，这种方式对 Token 的压缩率非常恐怖，在某些复杂任务中能把输入 Token 从 40 多万砍到 5000 左右，同时准确率没掉，因为它带了引用 ID。

如果你也觉得项目大了之后 AI 变得“健忘”或者太费钱，可以尝试这个部署流程：

一、基础安装与初始化

npm install --save-dev qarinah
npx qarinah init . --capture content
npx qarinah scan
npx qarinah doctor

二、记录关键决策（防止 AI 以后乱改）

npx qarinah record --kind decision \
 --title "Use additive database migrations" \
 --body "Add, backfill, switch, then remove. Never rename a production column in place."

三、集成到开发工具
它提供了插件支持，可以直接挂载到 Claude Code 或 Codex 中。

Claude Code 安装命令：

claude plugin marketplace add AjnasNB/[email protected] --scope user
claude plugin install qarinah@qarinah --scope user

Codex 安装命令：

codex plugin marketplace add AjnasNB/qarinah --ref v0.1.1
codex plugin add qarinah@qarinah

对比几种常见的内存管理方案，我的体感是：

• 全量历史重播： 召回率最高，但噪音极大且极其昂贵。
• CLAUDE.md： 适合放静态指令，但没法记录动态的工具执行结果。
• 向量检索 (Embedding)： 容易找错片段，缺乏时间线上的优先级。
• Qarinah： 像是个带索引的项目日志，精准且紧凑，但需要你手动记录关键决策。