Codified Context: Infrastructure for AI Agents in a Complex Codebase

基于大语言模型（LLM）的智能编程助手缺乏持久化记忆能力：它们在不同会话之间无法保持上下文连贯性，容易遗忘项目既定规范，并反复犯下已知错误。近期研究已初步刻画了开发者如何通过“清单文件”（manifest files）对智能体进行配置，但一个尚未解决的关键挑战在于——如何将此类配置方法规模化应用于大型、多智能体协同的复杂项目中。本文介绍了在构建一套规模达10.8万行代码的C#分布式系统过程中所研发的一套三组件“结构化上下文”基础设施，具体包括：（1）一份“热内存宪法”（hot-memory constitution），用于编码项目规范、信息检索触发机制及智能体协同编排协议；（2）19个面向特定领域的专业化专家智能体；以及（3）一个包含34份按需调用规格文档的“冷内存”知识库。本文报告了该基础设施在283次开发会话期间的规模增长数据与交互模式等量化指标，并辅以四个观察性案例研究，具体阐释结构化上下文如何跨会话持续传递，从而有效预防错误并保障系统行为的一致性。该框架已作为开源配套代码仓库正式发布。

LLM-based agentic coding assistants缺乏跨会话的持久化记忆，导致项目上下文丢失、编码规范遗忘和重复性错误，尤其在大型多代理协作开发中难以规模化配置与知识共享。该问题在工程实践层面日益突出，但尚未被系统性建模为可扩展的‘codified context’基础设施问题。

提出三层结构化的‘codified context’基础设施：（1）热内存宪法（hot-memory constitution）——轻量、可执行的元规范，定义约定、检索接口与编排协议；（2）19个领域专家代理，通过宪法驱动协同；（3）冷内存知识库（34份按需加载的规格文档）。核心创新在于将隐式工程惯例显式编码为可版本化、可检索、可演化的‘宪法’，而非依赖提示工程或微调，实现跨会话上下文的自动继承与一致性保障。

基于真实108,000行C#分布式系统构建，覆盖283次开发会话，量化分析了宪法演化速率、代理调用拓扑与知识检索频次；包含4个深度案例研究，证实宪法有效阻止了3类典型失败（如跨服务异常传播误处理、DTO命名冲突、事务边界遗漏）；全部框架开源（含宪法DSL、代理注册中心、冷知识索引器）；未来方向包括宪法形式化验证、跨项目宪法迁移学习、以及LLM对宪法的自解释能力。

‘Agent Memory: A Survey’ (NeurIPS 2023); ‘Constitutional AI: Harmlessness from AI Feedback’ (Anthropic, 2023); ‘Manifest: Specifying LLM Agent Behavior via Declarative Configuration’ (ICSE’24); ‘CodeAgent: An Open Framework for Multi-Agent Code Generation’ (ACL’24); ‘Project-Level Context Modeling for LLM-Based Developers’ (FSE’24)