Flow2Spec：让 AI 不再每次从零认识你

你的 AI 是不是也「失忆」了？

新开一个 Cursor 会话，它不记得上一轮讨论过的表结构。
换一台电脑，Claude 不知道你们团队约定的错误码和 Redis 锁 key。
模型可能还是同一个，但上下文断了——表现就会时好时坏。

于是你开始重复劳动：

每轮重新交代「评价模板库在哪、批量重评分是异步还是同步」
看着 AI 在全仓 grep，翻几百个接口才敢动手
改完代码，文档没人更新；下次会话，AI 又从源码「猜」约束

这不是模型不够聪明，是喂给它的料不对。

同一句话，两种体验

需求只有一句：

改一下评价模板文案库的批量重评分

没有项目记忆时，对话往往变成：

AI：这个模块的表在哪？
AI：batchReScore 是同步还是异步？
AI：有没有锁？幂等键是什么？
……（翻遍 416 个接口、近 800 个文件……）

有 Flow2Spec 时，更像这样：

[matcher 命中] 评价模板库相关主题
[加载依赖] 4 个 topic · 约 300 行
AI：已知 — fire-and-forget；
     Redis 锁 key、TTL、单次上限、错误码 101 已在 topic 中。
AI：开始改，预计涉及 3 个文件。

差别不在「模型突然变强」，而在上下文变准了：几 MB 的仓库，一次只读几百行该读的硬约束。

Flow2Spec 是什么？

Flow2Spec 是一个可 npx 初始化的开源方案，核心概念叫 Memory Coding（记忆编码）：

把必须长期记住的东西，编码进可提交的仓库——可 diff、可 PR、可 review、可协作。
不押在模型私有 Memory 里，也不靠全仓向量「概率猜」。

在仓库里，它用四环托住长期上下文（别把它简化成「又一个知识库」）：

环	落在哪里	解决什么
知识环	`.Knowledge/`	路由、主题、存量/需求文档
任务环	`.task/`	跨会话续作清单、用户代办
规则环	`rules` / `AGENTS.md`	规定 AI 怎么读、怎么做
技能环	`f2s-*` 技能	维护知识、触发流程

Memory Coding：仓内四环

技能环维护知识环，规则环规定如何读取与执行；任务环与 .Knowledge/ 并列于仓内，同属 Memory Coding。

日常可以记三件事：

跨设备、跨会话记住项目上下文
用机读路由清单收窄阅读面，不让 AI 翻遍整个仓库
改代码时顺手更新知识（f2s-kb-feat / f2s-kb-fix 等），减少文档与实现分家

架构与流程设计

知识层 vs 执行层

业务知识落在 .Knowledge/，各 IDE 的规则与技能落在配置根（Cursor / Claude / Codex 各自原生加载），二者一起喂给 AI：

知识环：横读收窄 + 纵链叠层

知识环内部不是扁平 Markdown 堆，而是 L0→L3 横读 与 topicDependencies 纵链 组合：

层级	路径	作用
L0	`manifest-routing.json`	机读路由、依赖声明
L1	`matchers/*.json`	关键词命中，match 只读一片
L2	`topics/*.md`	硬约束摘要；expand 拉依赖
L3	`stock-docs/`、`req-docs/`	长文档，按需下钻

渐进式路由：`match → expand → verify → act`

用户说一句话，框架按流程收窄上下文，而不是全仓 grep：

match：读 manifest-routing.json，按关键词打开一个 matcher 分片
expand：按 topicDependencies 自动拉齐依赖主题
verify：缺口不够就向人澄清，不静默瞎猜
act：置信度够了才改代码

可以记一句：不是让 AI 更聪明，是把噪声切掉。

真实业务仓库跑过三个月的量级（来自项目公开数据）：

指标	数值
对外接口	416
源码	~796 文件 / 4.7 MB / 约 10 万行
Flow2Spec 单次典型加载	≈ 300 行 topic

技能维护闭环

改代码、写文档、提交、合并——多条 f2s-* 入口最终都汇聚到 .Knowledge/，驱动下一轮 AI 会话：

七条入口 · f2s-git-commit 在提交时做知识覆盖检查 · .Knowledge/ 是唯一汇聚点。

跨会话任务续作

.task/ 记录 checklist 与 linkedSkill；新会话首条消息命中关键词即可续作，无需重新交代上下文：

一分钟上手

npx @double-codeing/flow2spec@latest init

会生成空骨架：目录结构 + 路由配置 + 多端规则入口。不必先写完全部文档——下次需求命中哪块，再补哪块 topic。

想先「看感觉」再 init，可以打开在线演示（13 页 HTML PPT，键盘 ← → 翻页，S 演讲者模式）：

中文：https://lands-1203.github.io/Flow2Spec/
English：https://lands-1203.github.io/Flow2Spec/en/

更细的命令与技能链见仓库文档：使用说明、命令速查、设计说明（含更多流程图）。

和「别家方案」差在哪？（诚实选型）

Flow2Spec 不是新的 IDE，也不是新的 Agent，而是补齐「已有工具连接处」的空缺：

常见路线	强项	和 Flow2Spec 的分工
OpenSpec 等 spec 工具	格式严谨、人读友好	偏单向；代码漂移后不易反哺知识库
技能仓 / Cursor Rules 合集	即插即用	缺项目级机读知识，换 IDE 要重来
RAG / 向量库	全仓可搜	概率命中；错误码、锁 key 等硬约束易拿错
Spec Kit / BMAD 类	从 0 到 1 快	二次迭代容易 spec 与 code 分家
模型自带 Memory	省得自我介绍	难团队共享、难版本化、难 review

Flow2Spec 更擅长：从 1 到 N 的持续迭代——知识在 Git 里演进，技能在改代码时维护知识，任务在 .task/ 里留痕。

一句老实话：停用 f2s-* 维护技能，知识库照样会腐化。
差别在于：腐化时会被缺口闸门喊出来，而不是静默跑偏。

什么时候别用？（省你时间）

一次性脚本：写完就删，丢几段 Markdown 给 AI 更快
单人极小项目：一份 CLAUDE.md 可能就够了
团队不愿把 .Knowledge/ 当代码一起维护：工具替代不了协作纪律

若你是多模块、长周期、多人/多端 AI 协作的业务仓库，收益通常明显大于 init 成本。

适合谁？

用 Cursor / Claude Code / Codex 写业务代码，且厌倦每轮重复交代
希望错误码、锁、上限、白名单等硬约束进仓库、可 review
需要 B 端 / C 端 / 接口端多仓 在同一套知识方法论下推进
想要「改功能 = 更新知识」的闭环，而不是「文档另起炉灶」

结语：给 AI 一张不会丢的「项目地图」

大模型会继续升级，但会话仍会结束、设备仍会换、同事仍会交接。
把记忆写进 Git，让 matcher 带你读到该读的那 300 行，用 f2s-* 在改代码时顺手记账——这是 Flow2Spec 想帮你建立的习惯。

下一步建议：

打开在线演示花 10 分钟过一遍 Before/After
在一个真实业务仓执行 npx @double-codeing/flow2spec@latest init
选最近最常改的一个模块，用 f2s-doc-add 或手写第一个 topic，感受 matcher 命中

仓库：https://github.com/lands-1203/Flow2Spec · 协议 MIT

兰涛开发日志