告別 Agent Session 無痕：Shift Log 同 Imprint Memory 如何拯救你嘅 AI 開發 workflow

用 AI agent 寫 code 大半年，我最深刻嘅感覺唔係佢幾聰明，而係佢幾「善忘」。每次開新 session，agent 好似重置咗一樣——唔記得之前做過咩決定、唔記得 codebase 嘅設計取捨、唔記得你幾個鐘頭前先交代過嘅 constraint。我哋花咁多時間「re-contextualise」，同一個問題解釋三四次，呢個唔係 workflow 問題，而係工具本身嘅記憶模型問題。幸運嘅係，Shift Log 同 Imprint Memory 呢兩樣嘢正在徹底改變呢個局面。

Shift Log：將 agent 行為變做可審計嘅 git-native 紀錄

Shift Log 嘅核心概念好簡單：每次 agent session 結束，系統自動產生一份結構化 log，記錄嗰次 session 做咗咩、點解咁做、改咗邊啲檔案、做過咩關鍵決策。呢份 log 唔係求其寫喺 text file，而係直接嵌入 Git Notes——即係每個 commit 都附帶一份 agent 嘅 operation log，同 code change 綁死。

呢個做法嘅殺傷力在於 auditability。開發者唔需要再靠記憶去 recap「上次個 agent 點解要 refactor 嗰個 module」，只需要 git notes show HEAD 就一目了然。Shift Log 會記錄每個 tool call 嘅 input/output summary、每個決策點嘅 reasoning、每次 error 同 recovery 嘅路徑。對於多 agent 協作嘅場景——例如一個 agent 負責 backend refactoring，另一個負責 frontend component 更新——Shift Log 就係唯一可靠嘅溝通橋樑。Agent A 做完嘢，Agent B 透過 Shift Log 理解前因後果，唔使再靠 developer 做 human relay。

而且呢份 log 唔係寫完就算。因為佢係 git-native，你可以 diff 兩個 session 嘅 log，睇到 agent 嘅行為點樣隨住 codebase 進化而改變。呢種 meta-analysis 對於團隊引入 AI workflow 嘅初期特別有用——你可以睇到 agent 係咪 consistently 跟住 project convention，定係每次 rewrite 都有唔同嘅 style。

Imprint Memory：讓 agent 唔再係「做完就忘」嘅 stateless worker

Shift Log 係記錄「做過咩」，Imprint Memory 就係記錄「學過咩」。後者係 agent 跨 session 嘅長期記憶層——唔係簡單嘅 conversation history dump，而係經過提煉同結構化嘅經驗沉澱。

Imprint Memory 嘅設計原則是 quality over quantity。Agent 响每個 session 結束時，會自動提煉出幾樣嘢：呢個 session 學到嘅 domain knowledge（例如「呢個專案用嘅 validation pattern 係 zod + custom transformer」）、遇到嘅 anti-pattern 同解決方案（例如「呢個 API endpoint 嘅 rate limit 係每分鐘 30 次，超過會 silent fail」）、以及未完成嘅 task 同下一步（例如「payment service 嘅 test coverage 得 40%，需要補 boundary case」）。呢啲記憶唔係 raw text，而係用 semantic chunking 做 indexing，下次 agent 開 session 時可以精準檢索相關記憶，而唔係盲目 load 晒所有歷史。

對於開發者嚟講，最直接嘅體驗改變係：你唔使再喺 prompt 入面重複交代 project context。Imprint Memory 會自動注入相關嘅上一個 session 嘅教訓同決策。你同 agent 嘅對話由「由頭建立 mutual understanding」變成「直接 pickup 上次嘅進度」。呢種連續性改變咗成個 interaction pattern——agent 唔再係一個 stateless worker，而係一個有 learning curve 嘅同事。

實戰：點樣將呢兩樣嘢融入你嘅日常 workflow

Shift Log 同 Imprint Memory 唔係理論產物，佢哋已經可以實戰應用。我嘅建議係：初期先 focus on Shift Log。令每個 agent session 自動產生 git notes，呢個習慣成本極低，但回報好快出現——尤其係當你需要 review agent 嘅 work，或者 debug 一啲「點解 codebase 變成咁」嘅問題時，Shift Log 就係你的救星。

當 Shift Log 成為習慣之後，先開始建立 Imprint Memory。最簡單嘅做法係設定一個 memory file（例如 .agent-memory/ 目錄），每次 session 結束時自動 append 提煉出嘅經驗。唔使追求完美結構，先求有再求好。幾個星期之後，呢個 memory store 就會累積到足夠嘅 domain context，令 agent 嘅 output quality 有明顯提升。

行得更前嘅團隊，可以將 Shift Log + Imprint Memory 整合到 CI/CD pipeline——每次 PR 都自動比較 agent session log 同 code change，檢測有無 deviating from established patterns，或者有無遺漏嘅記憶未被記錄。呢種 feedback loop 先係 AI-native development workflow 嘅真正殺著。

由失憶到記憶

AI agent 最大嘅 limitation 從來唔係能力，而係連續性。一個 infinite context window 解決唔到問題——問題係 agent 需要知道「之前做過咩決定」同「學過咩教訓」，而唔係「之前講過咩嘢」。Shift Log 同 Imprint Memory 嘅組合，正正係為咗呢個 gap 而設計。

如果你仲係每次開 agent session 前花 10 分鐘寫 prompt 交代 context，或者成日發現 agent 做咗同之前相反嘅決定，係時候認真考慮點樣幫你嘅 agent build 記憶系統。唔係為咗型，而係因為 stateless collaboration 喺任何 realistic project 上都係 unsustainable 嘅。由今日開始，為你嘅 agent 建立第一份 Shift Log。佢會記得嘅，你放心。