Építs intézményi memóriát az AI kódolási munkafolyásodba

Ismerős a helyzet? Egy órát töltesz azzal, hogy az AI kódolódat tanítsd a projekted architektúrájára, stílusára és modul-specifikus mintáira. A session alatt tökéletesen működik. Másnap megint elölről kezdheted – ugyanazok a javítások, ugyanaz a kontextusbeállítás, ugyanaz a feszültség.

Ez az AI-segített fejlesztés rejtett költsége, amiről senki sem beszél.

A szabályfájlok korlátai

A .cursorrules és CLAUDE.md fájljaid jól teljesítenek. Globális kereteket adnak, kódolási szabványokat rögzítenek, megmutatják a projekt filozófiáját. De a keserű igazság: ezek csak 40%-ban oldják meg a gondot.

A javítások nem maradnak meg. Ötször mondod el egy sessionben, hogy "így nem csináljuk", de ha nem írod kézzel a szabályfájlba – amit sosem teszel, mert feature-öket szállítasz –, az tudás eltűnik. Az AI nem tanul. A csapatod pláne nem.

A kontextus mindent vagy semmit. Legyen szó autentikációról, fizetési dashboardról vagy user beállításokról, az AI az egész szabályfájlt megkapja. Tokenek mennek kárba. Sőt, zaj keletkezik. A beállítások panel döntései nem érdekesek az API rétegnek, mégis végig kell olvasnia.

A csapat tudása szigetekre szakad. Ha egy fejlesztő rátalál egy elegáns mintára vagy kijavít egy hibát, az nem jut el a kollégája AI-jához. Nem skálázod a tudást – csak a ismétlődő munkát szaporod.

A baj az, hogy a szabályfájlok statikusak és globálisak, miközben a valódi gyorsító tudás dinamikus és helyspecifikus.

Hogyan néz ki a dinamikus memória?

Képzeld el, ha a kódod automatikusan gyűjtené háromféle tudást:

1. Építés közbeni döntéseket – "Ebben a modulban kompozíciót használunk öröklés helyett", "A dashboard progresszív kinyitást követ"
2. Javításokat – Ha korrigálsz, az a megfelelő szinten rögzül, nem csak egy elfeledett kommentben
3. Dokumentálatlan kontextust – Miért épült úgy, ahogy, milyen mintákat választottatok, milyen kompromisszumok estek

És mindez:

• Automatikusan gyűjtve hook-ok révén, nem azért, mert eszedbe jutott dokumentálni
• Kódterületre szabva, így a src/components/dashboard/ megnyitásakor csak a releváns infó jön
• Git-en megosztva, csapatodhoz jut anélkül, hogy szinkronizálnod kelljen
• Eszközfüggetlen, működik Claude Code-dal, Cursorral vagy más AI szerkesztőkkel

Ez a különbség a szabályfájlok és a valódi tartós memória között.

A tanulás architektúrája

Egy okos memória-rendszer megkülönbözteti a tudás típusait, relevancia szerint rangsorolva:

Terület-kontextus a legspecifikusabb – adott kódrészhez kötött döntések. ("Beállítási panel progresszív kinyitást használ; új szekciók expand/collapse-t kövessenek")

Technikai kontextus implementációs tények. ("Dashboard adatlekérés React Query-vel, stale-while-revalidate mintával")

Csapat-irányelvek alapelvek. ("Tesztekben mock-old a külső hívásokat hálózati határon, ne függvény-szinten")

Személyes preferenciák egyéni ízlés. ("Moduláris komponensek; kisebb fájlokba bontsd a felelősségeket")

Fájl megnyitásakor először terület-kontextus, aztán technikai, irányelvek, végül személyes jön. A feleslegesek kint maradnak.

Így az AI pontosan azt kapja meg, ami most számít, ahol dolgozik.

Könnyű gyűjtés

Kulcs: a gyűjtés nem igényel fegyelmet. Nem függhet attól, hogy megjegyzted-e elmenteni.

Ehelyett passzív editor hook-ok:

• Középső javításnál hook észleli, promptolja az AI-t, hogy rögzítse az adott területre
• Természetes szünetnél megkérdezi: "Van itt megjegyezni való?" – az AI dönt
• Session elején automatikusan betölti az előző kontextust
• Fájl olvasás előtt ellenőrzi a releváns emlékeket, és előhívja őket

A hook-ok maguktól futnak. Te nem kezeled őket. Idővel gazdag, indexelt tudásbázis épül a repódban.

Hálózati hatás a csapatban

Erőssége itt jön ki: az emlékek .aide/memories/ alatt JSON-ként élnek. Git-elhetőek.

.aide/memories/
├── preferences/
│   └── personal/              # gitignore-ozva
├── technical/
│   └── dashboard-patterns.json
├── area_context/
│   └── src/components/settings/
└── guidelines/
    └── testing-patterns.json

Commit-push után a kolléga pull-ol. Post-checkout hook újjáépíti a cache-t. Következő dashboard sessionjükben megkapják a te kontextusodat.

Nem ugyanazt a dokumentumot szerkesztitek. Nem átfedő beszélgetések. A tudás áramlik a repón keresztül, mint a kód.

Személyes cuccok privátak maradnak. Csapat-minták utaznak vele.

Miért lényeges hosting és infrastruktúrádnak

NameOceannél látjuk, hogyan építenek csapatok bonyolult cloud architektúrákat, multi-region deploymenteket. Az értelmezés pótolhatatlan: régió-latencia vs. adat-szuverenitás trade-offok, DNS minták a user bázisodhoz, SSL megújítási workflow-k a skáládhoz.

Tartós AI memóriával az infra-kontextus hordozható. Új engineer onboardingnél vagy deployment scriptnél az AI hozza a felgyüjtött tudást. Multi-region setup oka, DNS szervezés, disaster recovery minták – mind belefolyik a javaslataiba.

Különösen Vibe Hostingnál hasznos, ahol az AI-nak értenie kell nem csak mit, hanem miért van úgy a config.

Eszközfüggetlen jövő

Legizgalmasabb: ez a memória réteg átjárható Claude Code, Cursor és más AI editorok között. Egy eszközben rögzített tudás máshol is elérhető. A kódod lesz az igazság forrása, bármelyik editort használja a csapat.

Fontos ez. Az AI eszközök szétaprózódnak, de a tudásod hordozható. Nem ragad egy editor saját adatbázisában. A kóddal utazik.

Mi változik pontosan

Előtte: Szabályfájlok fedik a globális mintákat. Specifikus területi tudást szóban ismétled. Javítások csak chat history-ban. Kolléga nem profitál a tegnapi leckéidből. Folyamatos kontextus-magyarázat.

Utána: AI okosabban indul, előző sessionökből húz kontextust. Javítások auto-rögzülnek. Területi döntések ott maradnak, ahol számítanak. Csapat AI-ja gazdagodik a repóval. Tudás áramlik fejlesztők és eszközök között.

Nem forradalom – csak explicitte teszed az implicitet, hordozhatóvá a tudást.

Így kezdj vele

Ha rendszeresen használsz AI kódolókat, a sessionenkénti kontextus-újraelmagyarázás echte feszültség. Szabályfájlok segítenek, de kifulladtak. Kell egy rendszer a dinamikus tudáshoz: területi döntések, javítások, egyedi minták.

Az AI fejlesztés jövője nem okosabb modellek vagy gyorsabb eszközök. Hanem okosabb kontextus. A kódod emlékezzen, amit tanultál. Csapat AI-d tanuljon egymástól. Új fejlesztők örököljék az architektúra okait, ne csak a kódot.

Ez az igazi intézményi memória a munkafolyásodban, nem ráaggatva.