Show HN：為 Claude Code 打造的純文字認知架構

背景

Cog 是一個為 Claude Code 設計的純文本認知架構，旨在透過透明的文本記錄、自動整合與摘要機制，擴展大型語言模型的上下文處理能力。這項工具試圖解決 AI 在長期對話中遺忘資訊的問題，透過模擬人類記憶的層次結構，讓開發者在使用 Claude 進行編碼任務時，能擁有更具持續性與一致性的協作體驗。

社群觀點

針對 Cog 的設計，Hacker News 社群展開了關於 AI 記憶架構的深度探討。部分使用者對其文件風格表示不滿，認為過度依賴 AI 生成的行銷詞彙讓閱讀變得痛苦，甚至感到靈魂缺失。然而，在技術實踐層面，開發者們對於如何建立「持久記憶」展現了高度興趣。討論的核心在於如何處理資訊的可靠性與衰減。有開發者指出，長期記憶面臨的最大挑戰是所有資訊往往被平鋪對待，導致三十場對話前的觀察與一次隨口的猜測權重相同。為了解決這個問題，有人提議引入信心評分與時間戳記，讓不再被強化的記憶隨時間自然衰減，並建立「矛盾日誌」來記錄衝突的觀察結果，而非強行覆蓋舊資訊。

關於記憶應存在於模型內部還是外部架構，社群中存在分歧。一方觀點認為，真正的認知突破應來自機器學習研究，讓模型原生具備處理記憶與信心程度的能力，而非僅靠提示工程搭建腳手架。但另一方反駁，即便未來模型能內建記憶，透明且可供使用者檢查、編輯的外部架構依然不可或缺，因為使用者需要對 AI 的「自我模型」擁有掌控權。此外，記憶的結構化也是討論焦點，有意見認為記憶不應是通用的大水桶，而應根據使用者身份與任務目標進行客製化，例如家庭主婦與程式設計師所需的記憶結構截然不同。

在實際應用上，有使用者分享了將 AI 視為「協作者」而非工具的經驗。透過建立包含專案願景、技術規範與日誌的純文本體系，並在每日收尾時讓 AI 進行自我反思與文件更新，確實能顯著提升產出品質。儘管這種做法會消耗大量 Token，但透過將 AI 任務聚焦化，並結合代理人集群的設計，可以平衡成本與效能。社群普遍達成共識，認為目前並沒有一體適用的記憶方案，編碼助手與研究助手所需的記憶邏輯存在本質差異，而現階段的外部腳手架是填補模型原生能力不足的重要過渡手段。

延伸閱讀

在討論中，社群成員分享了多個相關的記憶增強工具與研究資源。其中包括 Superpowers 的 episodic-memory 技能，以及 Anthropic 官方探討的 Auto Dream 機制。此外，Basic Memory 專案與 rodspeed 開發的 epistemic-memory 也是值得關注的參考對象，後者特別強調了知識的認識論權重。在架構設計上，有留言推薦參考 Google 的 Antigravity 專案，其對大腦、對話、隱含資訊與知識項目的組織方式，為構建結構化記憶提供了實質的啟發。