TRAE 和 Cursor:把聊天机器人变成有记忆的 AI 员工
本文整理自「TRAE 使用分享会」,把现场讲到的做法整理成一篇可直接照着做的长文。读完你会知道:为什么光有聊天机器人不够、记忆系统长什么样、怎么配 User Rule 和 Skills,以及按什么顺序上手。
一、为什么光有聊天机器人还不够?
豆包、DeepSeek、ChatGPT 这类网页版,本质是聊天对象,不是有记忆的同事:
- • 聊天只存在于当前会话,关掉就「失忆」;
- • 对你的项目、文档、历史决策没有直接感知;
- • 很难长期记住你们已经达成的共识。
我们要解决的问题是:让 AI 不只会聊天,还能记住每次会议、每篇长文、每个决策。
做法是:用 TRAE / Cursor 这类 IDE + Agent 工具,配一套本地的「卢曼卡片盒」式记忆系统。
二、TRAE / Cursor 做的是「宿主」,不是花哨界面
TRAE 和 Cursor 是嵌了 Agent 的 IDE:
- • 有本地文件读写权限,能直接操作你的 Markdown、代码、配置;
- • 能被一份 User Rule 约束「身份和行为」,而不是被临时 Prompt 带着跑;
- • 能通过 Skills(如 deep-learning、file-organize、meeting-note)跑完整工作流。
对应到卢曼卡片盒:
- • 纸卡片 → 本地
.md文件; - • 物理卡盒 →
05_每日记录目录; - • 索引卡 →
03_索引目录; - • 抄写与连线 → 由 AI 在 IDE 里自动完成。
Obsidian 负责把这套文件的可视化(图谱、反链、搜索),给人看、也给 AI 一个统一结构。
一句话:TRAE / Cursor + 本地 MD + Obsidian = 适合 AI 的卢曼卡片盒宿主。
三、记忆系统长什么样?
记忆分三层:
1. 每日记录(按日期放的「原材料」) 今天发生的会议、长文阅读、任务拆解,都落在当天的目录下,每个任务一个子文件夹,里面是结构笔记、原子笔记、方法笔记…
— 以上为试看内容(约 40%),开通会员后阅读全文 —