- 桌面应用
【免费下载链接】EcoPaste
🎉跨平台的剪贴板管理工具 | Cross-platform clipboard management tool
导读
本文以 triggering-patterns.md 为骨架，系统讲解 AI 编码 Agent 如何在对话中识别"该翻历史了"的信号，并通过trellis memCLI 从过去会话中召回方案、决策与教训。读完你将掌握六大正向触发模式及其双语语料、配套的召回命令、五类绝对不该动用mem的反模式，以及贯穿全局的 The Bar 判断基准，可直接用于训练自己或你正在调教的 Agent 的"检索直觉"。
背景：trellis mem是什么
在进入触发模式之前，先明确被触发的工具。根据技能主文档 SKILL.md 的定义：
trellis mem是一个本地 CLI，为用户的 Claude Code、Codex、Pi Agent 历史对话日志（各平台存放在~/.claude/projects/、~/.codex/sessions/、~/.pi/agent/sessions/下的 JSONL 文件）建立索引，支持 list（列出）、search（搜索）、按 Trellis 任务边界切分、以及 dump 清洗后的对话。- 一切读取均在本机完成，任何内容都不会被上传；
mem对平台 JSONL 存储是只读的，既不做远端同步，也不编辑代码或文件。 - 它被设计成一个能力技能（capability skill），而非工作流（workflow）：没有固定输出文件、没有强制回写步骤、没有"每次收尾必须跑一遍"的规矩。
mem返回什么、怎么用，是对话当下的一次判断。
而本文的主角 triggering-patterns.md 正是这套技能里用来校准 Agent 直觉的触发语料库——SKILL.md 明确指引：训练直觉时随时翻阅它。
触发模式的本质：按意图分组，而非按表面措辞
triggering-patterns.md开篇给出一个关键方法论：模式按措辞背后的"意图"分组，而不是按表面词句分组；同一个意图会以不同语言、不同语体出现。因此文档刻意同时收录英文与中文语料，目的就是让 Agent 跨语言地识别意图，而不是死记某个固定句式。
校准口诀是：如果用户消息命中了以下任一模式，而你却没有想到mem，那你很可能是漏掉了一次显而易见的召回（"you probably missed an obvious recall"）。
六大正向触发模式详解
模式一：过往方案回忆（Past-solution recall）
触发场景：用户在问"我们（我）以前是怎么解决这个问题的"。答案藏在过去的对话里；代码库只呈现结果，不呈现推理过程。
典型语料：
- "How did we solve this last time?"
- "What did we end up doing about X?"
- "We dealt with this once already, didn't we?"
- "上次怎么解的?"
- "之前是怎么搞定 X 的?"
- "我记得以前修过类似的"
召回路径（Reach）：
trellis mem search "<symptom keyword>" --global --limit 10先以"症状关键词"跨本机全项目搜索，然后用context钻进最接近的命中会话查看上下文。--global的作用是打破项目边界（默认只搜当前项目cwd），--limit 10限制输出行数，避免噪声淹没结果。
模式二：决策检索（Decision retrieval）
触发场景：用户引用一条只存在于旧对话、不存在于任何已提交文件中的决策——它没有写进prd.md或spec/，只留存在 brainstorm（头脑风暴）窗口里。
典型语料：
- "What was the decision on X?"
- "Did we decide to use Postgres or SQLite?"
- "The rationale for choosing X over Y was…?"
- "我们当时为啥选了 X 而不是 Y?"
- "关于 X 我们之前是怎么定的?"
- "之前讨论过 X 的方案吗?"
召回路径（Reach）：
trellis mem search "<decision keyword>" # 先定位会话 trellis mem extract <session-id> --phase brainstorm # 再恢复讨论这里出现了全文最重要的一个切片能力：--phase brainstorm。它把会话按 Trellis 任务边界切分为"决策窗口"与"执行窗口"，其中brainstorm定义为[task.py create, task.py start)之间的轮次。决策之所以要专门去 brainstorm 窗口找，正是因为选型论证、取舍理由都发生在规划阶段，而不是实现阶段的提交里。
模式三：跨会话续接（Cross-session continuation）
触发场景：用户隔了一段时间回来继续干活，上下文是隐式的，没有给出任何具体线索。
典型语料：
- "Where were we?"
- "Continue from last time."
- "Pick up where we left off."
- "继续上次的"
- "我们上次做到哪了"
- "接着昨天那个任务"
召回路径（Reach）：
trellis mem list --task <current-task-dir> # 列出与当前任务绑定的会话 trellis mem extract <session-id> # 取最近一条恢复上下文先列出与该任务目录相关的最新会话，再extract其中最近的一条。需要说明的是：--task <current-task-dir>这一写法出自本文档；配套的 cli-quick-reference.md 中，list/search 的作用域主要通过--cwd <path>（指定项目）、--global（全项目）、--limit N（限制条数，默认 50）来控制。若运行版本行为有差异，以trellis mem help的运行时输出为准。
模式四：似曾相识的 Bug 调试（Familiar-bug debugging）
触发场景：当前 bug 感觉以前见过。过去的会话里很可能已经保存了完整的解决路径，拉出来能省掉一整轮调试循环。
典型语料：
- "I feel like I've hit this before."
- "Doesn't this look like that bug from last month?"
- "Same kind of timeout I had in X."
- "这个错好像之前见过"
- "这个 bug 是不是上次那个?"
- "怎么又是这个 error?"
召回路径（Reach）：
trellis mem search "<error message fragment>" --global这里有一个非常实用的检索技巧：从实际错误字符串里锚定一个短小、有辨识度的 token，而不是粘贴完整错误文本。完整错误往往包含时间戳、路径、随机标识等干扰项，命中率反而低；一个独特的关键词（比如某个函数名或错误码）才能精准命中历史会话。
模式五：自我模式识别（Self-pattern spotting）
触发场景：用户在问自己是否反复犯同一类错误、反复做同一种决策。
典型语料：
- "Do I always make this mistake?"
- "How often have I run into X?"
- "Is this a recurring thing for me?"
- "我每次都踩这个坑吗?"
- "我老犯这个错?"
- "这类问题之前出现过几次?"
召回路径（Reach）：
trellis mem search "<topic>" --global --limit 50--limit 50在这里是刻意的：识别"反复性"需要足够的样本量，而不是单点命中。搜索后扫描列表中的日期与项目分布，判断频率与范围；必要时extract两三条会话做横向对比，找出共性。
模式六：收尾复盘（Finish-work retrospective，按需触发）
触发场景：用户明确要求回顾本次任务——文档特别强调这是"按需"（on demand）步骤，不是每次收尾的强制流程，只有被问到时才做。
典型语料：
- "Summarize what we did in this task."
- "What were the key decisions / surprises?"
- "Write up the lessons from this round."
- "总结一下这次的经验"
- "记一下这次踩的坑"
- "复盘下这个任务"
召回路径（Reach）：先确定当前任务的 session id——来源可以是.trellis/.runtime/sessions/*.json，也可以用mem list --task <task-dir>反查；然后对同一条会话分别切两个阶段：
trellis mem extract <id> --phase brainstorm # 恢复规划与决策讨论 trellis mem extract <id> --phase implement # 恢复执行过程复盘呈现时，尽量给出具体的 file:line 引用以便核验。至于是否把总结写入某处（PRD、spec、notes 文件），文档给出明确态度：这是用户的决定——提供选项，绝不自动落盘。这与整个技能"能力而非流程"的定位一脉相承。
反模式：这五类请求绝不要碰mem
文档在正向模式之后专门列出反模式（triggering-patterns.md），防止 Agent 把mem当成万能工具。核心逻辑是：代码库本身能回答的问题，就不要去翻对话历史。
| 用户请求 | 正确动作 |
|---|---|
| "What does this function do?" | 直接读文件 |
| "Why is this test failing?" | 读测试输出与对应文件 |
| "What's the right pattern for X in our codebase?" | grep 或读 spec 文件 |
| "What's the latest npm version of Y?" | 调用npm view |
| "Fix this bug." | 直接调试；只有当怀疑存在先验上下文时才碰mem，否则就是噪音 |
此外，SKILL.md 还补充了三组不该调用的场景，可作为反模式的延伸：
- 相关上下文已经在当前轮次、
prd.md、design.md、最近的git log或已打开的文件中——mem只服务于"已经掉出即时可达范围"的内容； - 用户问的是代码里的事实而非过往对话中的事实——
git log -p、grep、直接读文件更快也更权威； - 你正处于子代理（
trellis-implement/trellis-check）中——其调度 prompt 已经携带精选的implement.jsonl/check.jsonl上下文，再叠加mem通常只是噪音； - 用户明确说过"不要翻历史，直接回答我问的"。
判断基准：The Bar
整份文档收敛为一句话基准（原文）：
The bar stays: would a senior teammate ask "didn't we already talk about this?" before answering? If yes, reach for
mem. If no, don't.
翻译过来即：在回答之前，一位资深队友会不会先反问一句"我们不是已经聊过这事了吗？"——会，就去调mem；不会，就不要调。这条基准把"是否检索"从规则匹配升维成了对对话真实性的判断，也是mem作为工具而非仪式的根本原因。
mem返回之后：五条处理路径
触发与检索只是前半程。SKILL.md 明确要求把mem的输出当作原材料（raw material）而非交付物，然后根据当下对话决定去向：
- 直接引用进回复：如果某段过往交流恰好回答了当前问题，在回复中引用并附上 session-id / phase，方便用户核验；
- 回写
prd.md或design.md：如果mem翻出了一条本应落盘却没落盘的承重决策，先向用户展示拟议的改动，再写； - 追加到任务本地 notes 文件：发现属于当前任务记录但不适合放进 PRD 的内容，可追加到
<task>/notes.md； - 提升为项目级规范：如果发现是影响未来所有任务的项目级约定或坑，走
trellis-update-spec技能更新.trellis/spec/——session-insight的职责止于发现，不负责沉淀； - 只是吸收：把召回内容内化为接下来几轮的回答上下文，什么都不写。对一次性回忆来说，这往往就是最正确的选择。
Trellis 不规定唯一落点——把所有召回都强塞进固定文件，只会让文件长成噪音。
配套命令速查与注意事项
mem的完整 CLI 参考见 cli-quick-reference.md，其内容与运行时trellis mem help保持一致。五个子命令：
| 命令 | 用途 |
|---|---|
list | 列出会话，未指定子命令时的默认行为 |
search <keyword> | 按关键词查找内容匹配的会话 |
context <session-id> | 钻进单条会话：Top-N 命中轮次 + 周边上下文，可配--grep做关键词锚定 |
extract <session-id> | 导出清洗后的对话，可配--phase/--grep切片 |
projects | 列出活跃项目 cwd 与会话数，用于发现该给其他子命令传哪个--cwd |
高频 flag（按需组合）：--platform claude|codex|opencode|pi|all（默认 all）、--since/--until YYYY-MM-DD（日期上下界）、--global、--cwd <path>、--limit N、--grep KW（多词以空格分隔为 AND）、--phase brainstorm|implement|all、--turns N（context，默认 3）、--around N（context，默认 1）、--max-chars N（context，默认 6000 字符）、--include-children、--json（机器可解析输出，适合管道给下游步骤）。
几条开箱即用的 one-liner：
# 本机所有项目中，哪些会话讨论过 "deadlock"？ trellis mem search "deadlock" --global --limit 20 # 在指定会话内，取提到 "lock contention" 的 Top-5 轮次，并各附 2 轮上下文 trellis mem context 5842592d --grep "lock contention" --turns 5 --around 2 # 恢复某条会话的 brainstorm 窗口——续接一周前的任务时很有用 trellis mem extract 5842592d --phase brainstorm # 列出本机所有有 Trellis 会话的项目及数量 trellis mem projects使用注意事项（cli-quick-reference.md）：
- OpenCode 适配器在
0.6.0-beta.*上仍是 stub：当--platform解析到 OpenCode 时，mem会打印一行 "reader unavailable" 并继续处理其他平台。适配器发布前，不要在回复中承诺 OpenCode 的覆盖率； --phase切片依赖会话中记录了task.py create/task.py start的 bash 调用：如果用户是在记录循环之外的其他终端运行的task.py，该会话没有阶段边界，此时--phase all是安全回退；mem直接索引平台 JSONL 文件：如果用户清空了 Claude / Codex / Pi 的会话存储，磁盘上不存在的东西无法被恢复；mem只读：不修改平台 JSONL，不做远端同步；基于mem发现所做的一切写操作，都是你自己的后续决定。
在仓库中的位置与关联能力
本技能包完整地嵌在当前仓库的.kiro/目录下，可直接阅读原文：
- 本文源头：
.kiro/skills/trellis-session-insight/references/triggering-patterns.md，与技能主文档 SKILL.md、cli-quick-reference.md 同属trellis-session-insight技能包； - 工作流上下文：主会话代理 .kiro/agents/trellis.json 负责路由计划 / 实现 / 检查阶段，而子代理 trellis-implement.json 与 trellis-check.json 因调度 prompt 已携带精选任务上下文，被明确列为"不应叠加
mem"的场景； - 相邻技能：开发前读规范的
trellis-before-dev、会话收尾归档的trellis-finish-work、以及把发现提升为项目级规范的trellis-update-spec，共同构成围绕"何时检索、何时落盘"的完整能力链。
一句话收束全文：mem是给"记忆已经掉出即时可达范围"的对话用的；触发它的不是某个关键词，而是"资深队友会先问一句我们是不是聊过"的那一刻。判断对了，检索就是杠杆；判断错了，检索就是噪音。
- 桌面应用
【免费下载链接】EcoPaste
🎉跨平台的剪贴板管理工具 | Cross-platform clipboard management tool
相关推荐
Trellis Session Insight 实战指南：用 trellis mem 在跨会话间检索 AI 历史记忆
Trellis Session Insight 实战指南：用 trellis mem 在跨会话间检索 AI 历史记忆 trellis session insig
桌面应用EcoPaste 的 Trellis 触发模式指南：AI 何时该调用 trellis mem 检索跨会话记忆
EcoPaste 的 Trellis 触发模式指南：AI 何时该调用 trellis mem 检索跨会话记忆 这篇技术指南以 EcoPaste 仓库中 .age
桌面应用EcoPaste 项目 Trellis 会话洞察：`trellis mem` 触发模式识别完全指南
EcoPaste 项目 Trellis 会话洞察： trellis mem 触发模式识别完全指南 triggering patterns.md 是 Trelli
桌面应用
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
