先从一张图说起。下面这张图，基本把今天要聊的事情讲透了：Cursur 和 TRAE 这两款工具，正在把聊天机器人升级成有记忆的 AI 同事，让你的知识管理变得比以前高效得多、持久得多。
本文的内容，源自一场「TRAE 使用分享会」，我们把现场讲到的实操方法整理成了一篇可以直接照着做的长文。读完之后，你会对以下问题有清晰的答案：为什么光有聊天机器人远远不够？一套能用的记忆系统长什么样？User Rule 和 Skills 该如何配置？以及，到底该按什么顺序上手？
一、为什么光有聊天机器人还不够？
豆包、DeepSeek、ChatGPT 这类网页版工具，它们的本质是聊天对象，而不是有记忆的同事。问题出在三个地方：第一，聊天只存在于当前会话，一旦关闭，它就彻底“失忆”；第二，它对你的项目、文档、历史决策没有直接感知，几乎是个“局外人”；第三，它很难长期记住你们已经达成的那些共识。
所以，我们要解决的核心问题是：让 AI 不只会聊天，还能记住每一次会议、每一篇长文、每一个决策。
实现这个目标，路径其实很清晰：借助 TRAE 或 Cursor 这类集成了 Agent 的 IDE，配合一套本地化的“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 本质上是嵌了 Agent 的 IDE。它们的关键能力有几点：拥有本地文件的读写权限，可以直接操作你的 Markdown、代码和各类配置文件；它们可以被一份长期生效的 User Rule 约束“身份和行为”，而不是靠临时性的超级 Prompt 来驱动；还支持通过 Skills（比如 deep-learning、file-organize、meeting-note）来跑完整的工作流。
如果对应到卢曼卡片盒的体系中，关系非常直白：纸卡片对应本地的 .md 文件；物理卡盒对应 05_每日记录 这样的目录；索引卡则对应 03_索引 目录；而抄写与连线的繁琐工作，全部交给 AI 在 IDE 里自动完成。
至于 Obsidian，它的角色是负责这套文件系统的可视化——图谱、反链、搜索，既是给人看的，也是为 AI 提供一个统一的结构参考。
一句话概括：TRAE / Cursor + 本地 MD + Obsidian，就是一套非常适合 AI 的卢曼卡片盒宿主环境。
三、记忆系统长什么样？
这套记忆系统分为三层，每一层各司其职。
1. 每日记录（按日期存放的“原材料”）
今天发生的会议、阅读的长文、拆解的任务，统统落到当天的目录下。每个任务一个子文件夹，里面是结构笔记、原子笔记、方法笔记等不同粒度的记录。
2. 索引（按主题组织的“导航图”）
按领域或主题组织入口，核心作用是回答“它和谁对话”这个问题。一个索引可以指向很多天的笔记，而笔记底部也会通过反链回到索引。
3. 记忆文件（跨天的复盘与沉淀）memory/ 目录下按天记录 Intent、Changes、Open loops；而 MEMORY.md 则只保留那些有长期价值的洞察和模式。
Agent 的工作流程很明确：每次收到会议纪要、长文或对话时，必须帮你先落到每日记录 → 再挂到相关索引 → 最后更新记忆文件。这一套做下来，信息才不会流失。
四、User Rule：给 AI 一份“宪法”
光有目录结构远远不够，你还需要用 User Rule 来明确规定 Agent 的身份和工作方式。以下是几个核心设计要点：
- 身份与使命：定义它为“基于卢曼卡片盒的知识管理分身”，核心职责是维护你的知识网络。
- 称呼与上下文校验：要求每次回答都用固定称呼开头。一旦它不再使用这个称呼，就说明上下文已经污染了，需要开一个新会话。
- 领域最强专家：每个任务都模拟该领域最顶级的思考者（比如产品方面参考《启示录》作者，AI 工程方面参考 Karpathy），把输出质量锚定在高质量的语料上。
- 记忆与落盘：复杂任务必须先写执行计划，必须生成结构笔记和索引，结果必须写入每日记录，并完成流程审查。
原则就一句：用 User Rule 长期、稳定地收紧模型的行为空间，而不是依赖一次性的超级大 Prompt。
五、deep-learning：一条可复用的流水线
当你遇到书、长文、研报、会议纪要这类重要材料时，可以用 deep-learning 这条流水线一次性处理到位，避免“看完就忘”。
- Phase 0：写执行计划（至少 6 条 TODO），并明确本次阅读的 Intent。这一步先和 AI 对齐“要搞到什么深度”。
- Phase 1：产出结构笔记，回答“解决什么问题、核心命题、逻辑树、阅读顺序、和已有方法的关系”。
- Phase 2–2.5：建索引笔记并挂到已有的索引中，移动到
03_索引/目录下。 - Phase 3–4：按结构笔记拆出原子笔记和方法笔记，每张卡片补上“上一张 / 下一张”的阅读顺序。
- Phase 5–6.5：用 Feynman 标准检查是否把内容讲明白了，在索引中添加入口，笔记加反链，最后用 workflow-audit 做流程审查。
这样一来，任何重要材料都会留下“骨架 + 卡片 + 索引”三件套，哪怕半年后再翻出来看，也依然能快速理解。
六、把会议纪要变成知识资产
日常开会的常见模式是：有录音或智能纪要，然后发到群里，两周后谁也不会再去看。但在这套体系中，完全可以换个玩法：
- 落盘：把智能纪要全文存成
YYYYMMDD_会议名_原始纪要.md，放到当天05_每日记录下。 - 处理：在对话里说“用 deep learning 处理这次会议”，后面跟上全文纪要，让 Agent 写执行计划、产出结构笔记。
- 拆卡片：从结构笔记里拆出概念卡和方法卡（比如“聊天机器人与 Agent 工具差异”、“会议纪要如何落盘与入网”等），变成可复用的独立卡片。
- 入网：在项目索引和“会议纪要”索引里各加一条入口，指向这次会议的结构笔记。
以后，无论是从项目视角查历史，还是从方法论视角查卡片，都能轻松回到这次会议。而 AI 在做后续工作时，也能顺着索引把相关内容调取出来。