Как улучшить память ИИ-помощника Cursor для больших проектов

В сообществе разработчиков активно обсуждаются способы повышения эффективности ИИ-инструментов. Одной из ключевых проблем является ограниченность контекста диалога: спустя время важные решения, гипотезы и требования, обсуждаемые в чатах с ИИ-попощником, теряются. Для решения этой задачи предложена концепция LLM Wiki, которая позволяет закрепить полученные знания и решения, сделав их постоянно доступными для ИИ.

Автор применил эту идею к ИИ-ассистенту Cursor, разработав систему гибридного локального поиска на основе QMD. Это позволяет ИИ эффективно находить нужную информацию внутри проекта, даже если она была получена в предыдущих сессиях. Решение включает в себя разделение ответственности между навыками проекта и детерминированными bash-обёртками для Cursor CLI.

Интересно, что в процессе разработки выяснилось, что использование внешнего agent harness в связке с локальной моделью оказалось избыточным. Это указывает на возможность упрощения архитектуры при создании систем долговременной памяти для ИИ. Предложенный подход уже реализован в виде готового шаблона репозитория, что упрощает его внедрение другими разработчиками.

Такой метод позволяет ИИ-помощнику более эффективно работать с крупными и долгосрочными проектами, сохраняя историю решений и требований. Это значительно сокращает время на повторный поиск информации и повышает общую продуктивность разработки, делая ИИ более надежным инструментом.