开源Deja Vu让AI编程代理拥有项目记忆能力，通过仓库内文件保存上下文，让Claude Code、Codex、Cursor等工具减少重复理解代码的时间。
它用轻量化Markdown和JSONL构建本地记忆系统，探索AI助手长期协作的新方式。
AI代理记忆系统改变代码协作方式
很多开发者使用AI写代码时都会遇到一个小麻烦：今天聊过的项目背景，明天重新打开AI又要重新解释。AI像刚认识这个项目的新人，每次见面都要重新看身份证。
Deja Vu针对这个问题设计了一套仓库级记忆方案。它把项目经验保存到代码仓库里面，让AI代理每次进入项目时，可以快速找到过去的重要决定。
这个项目的核心理念很简单：让AI记住真正有价值的信息，把聊天里的杂音过滤掉。代码修改原因、架构选择、特殊限制条件，这些内容才值得长期保存。
开发者不用搭建数据库，也不用购买额外服务。
Deja Vu把记忆放在Git可以管理的普通文件里，让项目历史跟随代码一起移动。
Deja Vu文件结构保存项目长期经验
Deja Vu主要依靠三个文件工作：
- 第一个是AGENTS.md，它负责告诉AI代理如何使用记忆，例如什么时候读取信息，什么时候更新内容。
- 第二个文件是memory/summary.md，它保存项目的重要事实，比如当前目标、技术限制、已经确定的方案。它更像项目说明书，而不是每天聊天记录。
- 第三个文件是memory/impressions.jsonl，它保存一些快速提示信息。AI先扫描这些小线索，再决定是否需要读取更详细内容。
这种设计有一个很有意思的地方：AI不会每次打开项目就把全部历史翻一遍。它先判断相关程度，需要时再加载更多信息。
想象一下，一个程序员加入大型项目，他不会第一天就阅读五年的所有会议记录，而是先看项目地图，再查看和当前任务有关的部分。Deja Vu采用了类似思路。
项目经验跟随代码仓库同步迁移
传统AI聊天模式的问题在于，知识停留在一次对话里面。窗口关闭后，很多重要决定也跟着消失。
Deja Vu尝试把项目经验变成代码仓库的一部分。只要仓库还在，新的AI会话依然可以获得过去积累的信息。
这对于长期开发特别有价值。例如，一个项目曾经解决过一个奇怪的兼容问题，未来修改相关代码时，AI可以提前知道这里存在历史原因。
很多软件Bug并不来自代码本身，而来自没人记得为什么这样写。几年后的开发者看到一段特殊代码，可能会觉得奇怪，然后顺手优化，结果把隐藏逻辑一起删除。
项目记忆的价值就在这里：帮助AI和人类同时理解代码背后的故事。
分层加载机制减少AI上下文空间消耗
大型代码项目的信息量非常庞大。如果每次让AI读取全部文档、全部提交记录，会消耗大量上下文空间。
Deja Vu采用分层加载方式。简单任务只查看提示信息，复杂任务再读取详细记录，让AI把注意力放在真正相关的位置。
这种方式符合一个现实规律：人的记忆也不会每天重新学习整本百科，而是在需要时调用相关经验。
AI代理未来可能越来越像团队成员。它需要知道团队规则、代码习惯、历史决定，同时还需要避免被无关信息淹没。
Deja Vu提供了一种轻量路线：让记忆存在项目里，让规则透明可见，让不同AI工具共享同一套上下文。
本地化记忆方案规避云端数据隐私风险
现在很多AI产品都在探索长期记忆功能，但云端记忆往往涉及数据管理、隐私和迁移问题。Deja Vu选择另一条路线，把记忆交给开发者自己控制。文件可以查看，可以修改，也可以通过Git记录变化。
这种方式让AI记忆变得更像代码资产。团队成员可以审核AI保存了什么，也可以删除错误信息。
当然，这种方法也有局限。如果项目非常复杂，仅靠Markdown和JSONL可能需要更好的检索机制。