【标签】 学习工作
【标题】 【学习工作赛道】DevMemory Loop——把 AI 编程失败转化为团队工程规则
【正文】
0. 先和大家打个招呼吧 
-
你是谁： 我是一名长期从事企业软件研发的开发者，平时会使用 TRAE、Codex 等 AI 编程工具完成需求分析、代码开发、测试和问题修复。
-
你是怎么用 TRAE 把 Demo 做出来的： 在实际使用 AI 编程工具的过程中，我发现 AI 可以很快写出代码，却可能在不同任务和会话中重复犯同类错误。开发者虽然能一次次修复问题，但失败日志、测试结果和 Review 经验经常散落在对话记录里，没有真正成为下一次开发可以复用的项目规则。
DevMemory Loop 最初只是我脑海中的一个想法。我先使用 TRAE Work 梳理产品定位并生成创意展示页面，之后在 TRAE IDE 中不断把需求拆解给智能体：先将宣传页重构为可操作的产品工作台，再逐步实现证据溯源、规则冲突检测、人工审核、测试门禁、知识库存储和 Markdown 导出。
这次实践让我感受最深的是：TRAE 不只是帮我“生成一个页面”，它更像一名可以持续沟通、实现、测试和改进的开发伙伴。我的工作重点也从逐行编写代码，转变为明确目标、识别问题、制定验收标准，并推动产品不断接近真实可用。
1. Demo 简介
-
是什么：DevMemory Loop 是一个可离线运行的 Web 产品 Demo，定位为：证据驱动的 AI 编程复盘与工程规则治理工作台。
-
面向谁：
- 使用 TRAE、Codex、Claude Code 等 AI 编程工具的开发者
- 需要管理团队 AI 编程规范的技术负责人
- 经常审查 AI 生成代码的 Code Reviewer
- 关注回归测试和质量门禁的测试及质量人员
- 主要功能：
-
**证据驱动的失败复盘：**用户可以选择内置案例，也可以粘贴自己的 AI 会话、终端日志或测试失败信息。系统会识别主要问题和次要问题，并展示对应日志行号。点击证据后，可以直接定位并高亮原始日志，避免复盘结论脱离上下文。
-
**工程规则治理与人工审核：**系统会根据失败证据生成候选规则，并与用户已有的
AGENTS.md规则进行比较，识别：新规则、重复规则、冲突规则、可合并规则、适用范围过宽、需要人工确认。 -
**测试门禁与 AGENTS.md 变更预览：**每条规则会绑定对应的测试建议，并区分：
-
SUGGESTED：系统生成建议； -
ACCEPTED：用户接受建议； -
VERIFIED：用户确认测试真实存在并通过； -
MISSING：缺少对应测试。
只有规则冲突得到处理、审核完成并确认测试结果后，系统才会展示完整通过状态。最终可以预览并导出更新后的
AGENTS.md、复盘报告和规则内容。- 此外，复盘结果还可以保存到浏览器本地知识库，刷新页面后继续查看，并支持搜索、删除和重新导出。
-
2. Demo 创作思路
-
灵感来源：这个创意来源于我真实使用 AI 编程工具的经历。
AI 在单次任务中往往能很快完成编码，但复杂项目真正困难的地方，不只是“把代码写出来”，而是让 AI 理解并持续遵守项目规则。例如：
-
同一种数据库连接生命周期问题反复出现；
-
API 返回类型被 AI 根据名称自行猜测；
-
修复了 Bug，却没有补充对应回归测试；
-
Review 已经指出过的问题，在下一次任务中再次发生；
-
项目规则只存在于对话和个人记忆里，没有进入代码库。
这些问题让我意识到，AI 编程产生的不只是代码，也会产生大量失败经验。如果这些经验不能被结构化沉淀，AI 带来的效率提升就很难持续积累。
-
-
想解决的问题：当前开发者通常通过聊天记录、终端日志、PR 评论或个人笔记保存经验，但这些信息存在几个问题：
-
内容分散，后续很难检索；
-
结论缺少证据，无法判断是否可信；
-
新规则可能与已有规则重复或冲突；
-
AI 生成的规则缺少人工审核；
-
规则和回归测试之间没有形成闭环；
-
下一次 AI 编程任务仍可能重复踩坑。
DevMemory Loop 希望解决的，不是简单地“总结一段日志”，而是把一次失败转化为可以进入项目工作流的工程资产。
-
-
为什么做这个方向：市面上已经有很多 AI 笔记、日志总结和知识库产品，所以我没有再做一个普通的总结工具，而是将产品聚焦到：
证据 → 候选规则 → 冲突治理 → 人工审核 → 测试门禁 → 项目规则导出
我认为 AI 编程进入真实研发项目后，最重要的不只是生成速度，而是可追溯、可审核、可验证和可持续改进。初赛 Demo 采用单文件 HTML 和本地规则分析引擎，无需服务器、账号或 API Key，可以直接离线体验。当前版本重点验证核心产品流程；正式版本将进一步接入大模型、代码仓库、测试文件和 IDE，实现更深入的语义分析与自动化集成。
3. Demo 体验地址（三选一）
- devmemory-loop.zip (51.5 KB)
4. TRAE 实践过程
-
阶段一：使用 TRAE Work 梳理创意
我首先向 TRAE Work 描述了 AI 编程经验容易流失、同类错误反复发生的问题，让它帮助我梳理产品定位、目标用户、核心功能和页面结构，并生成了第一版创意展示 HTML。
第一版已经能够清楚介绍创意，但本质上仍是一张产品宣传页，交互 Demo 也只是选择三个固定案例后展示预设结果。
2913067132520068:ffa2ea46cd9cfe99ecfed59d84231de6_6a4c77716e8bbc6224a37f63.6a4c77716e8bbc6224a37f66.6a4c77716e8bbc6224a37f64:TRAE Work CN.0.1.35.no_sid.no_ppe.T(2026/7/6 20:50:09)
-
阶段二：从宣传页升级为产品工作台
随后我在 TRAE IDE 中将需求重新拆解，要求把页面改造成 SPA 产品工作台，默认进入“新建复盘”，并增加自定义日志输入、本地分析、知识库存储、编辑、复制和 Markdown 导出能力。
2913067132520068:2cb8924f2c8b1c644bf9bc95edad9cfd_6a4c77716e8bbc6224a37f63.6a55945685c219c40cb47d89.6a55945685c219c40cb47d87:TRAE Work CN.0.1.35.no_sid.no_ppe.T(2026/7/13 18:43:50) -
阶段三：核心能力完善与持续验收
我继续使用 TRAE 实现证据高亮、
AGENTS.md规则对比、冲突检测、人工审核、测试状态管理和变更预览。随后按照真实用户流程进行验收，并针对固定结论、状态不同步、冲突漏检和门禁判断不准确等问题持续修复，最终完成从失败日志到工程规则沉淀的完整闭环。-
2913067132520068:8edd5752727ab53bee430edb0dd1611e_6a4c77716e8bbc6224a37f63.6a55c7bd85c219c40cb48558.6a55c7bd85c219c40cb48556:TRAE Work CN.0.1.35.no_sid.no_ppe.T(2026/7/13 22:23:09)
-
5. 对应的报名审核通过的帖子链接