mimo code 的持久化记忆通过结构化记录和主动建模实现，而非依赖对话上下文；它自动生成 memory.md 沉淀技术选型、代码规范等知识，创建会话检查点捕捉协作节奏，并构建任务进度树反向推导团队工作模式，支持人工修订与自然语言指令实时更新记忆。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
MiMo Code 的持久化记忆不是靠“记住对话”实现的，而是通过结构化记录和主动建模来学习团队开发习惯。它不依赖模型本身的短期上下文，而是把开发过程中的关键决策、约束和模式沉淀为可检索、可复用的知识资产。
项目记忆（MEMORY.md）自动沉淀规范
每次执行任务时，MiMo Code 会分析代码变更、Git 提交信息、lint 报告、测试结果等信号，自动生成或更新 MEMORY.md 文件。这个文件不是聊天日志，而是结构化文档，包含：
- 技术选型依据（例如：“选用 SWR 而非 React-Query，因服务端缓存策略已统一”）
- 代码风格约定（如：“所有 API 调用必须包装 try/catch，错误统一走 errorBoundary”）
- 模块职责边界（如：“user-service 不处理权限校验，由 auth-middleware 统一拦截”）
- 高频踩坑提醒（如：“mock-server 在 CI 中需禁用 WebSocket，否则超时”）
会话检查点捕捉真实协作节奏
它不会只保存最后一条指令，而是在每个有意义的节点——比如完成一个 PR、修复一个阻塞 bug、切换分支调试——自动创建检查点。这些检查点包含：
- 当前工作树状态（git status + diff 摘要）
- 正在运行的本地服务（docker ps / npm run dev 等进程快照）
- 未提交的临时笔记（比如 “TODO: 下一步验证 token 刷新逻辑是否兼容 iOS 17”）
- 人工标注的意图标签（如 “#紧急上线 #绕过CI”）
下次启动时，它能基于这些上下文直接恢复到“你离开时正在做的事”，而不是从头解释项目。
任务进度树反向推导团队工作模式
MiMo Code 把每个需求拆解为带编号的树状任务（T1 → T1.1, T1.2 → T1.2.1…），并在执行中持续更新状态（todo / in-progress / blocked / done）。长期积累后，系统能识别出：
- 哪些子任务总被标记为 blocked（比如“等待设计稿”频繁出现，就自动在需求分析阶段提醒补充资源）
- 哪些环节平均耗时显著高于预期（比如 “生成 TypeScript 类型定义” 常耗时 20+ 分钟，后续会优先调用本地缓存或跳过冗余校验）
- 谁常负责某类任务（如 “T3.x 系列” 多由 backend-team 成员 review，自动添加对应 reviewer）
记忆不是静态存档，而是动态演进
它支持人工修订 MEMORY.md，也允许用自然语言指令修正记忆，比如：
- “把上次关于数据库迁移的讨论加进项目记忆，重点标出 rollback 方案”
- “删除 T2.3 的记录，那个方案已被废弃”
- “从现在起，所有新任务默认关联 Jira 项目 ABC-123”
这些操作会实时同步到 SQLite FTS5 索引中，下一次查询就能命中，真正让 AI 逐步理解“你们团队是怎么做事的”。
