Problema uitării contextului în dezvoltarea cu AI

Ești în plin ritm. Codul merge, AI-ul tocmai ți-a propus o refactorizare elegantă. A doua zi revii la proiect și... nimic. Asistentul pare că a uitat tot ce ați discutat.

Această uitare a contextului devine rapid una dintre cele mai enervante probleme în dezvoltarea asistată de AI.

Costul real al reînceperii de la zero

La început, instrumente ca Cursor, GitHub Copilot sau Claude par să facă minuni. Boilerplate-ul dispare, logica complexă se construiește singură. Dar odată cu avansarea proiectului apare o realitate neplăcută: repeti constant aceleași explicații.

Fiecare dată când:

• Reiei lucrul după o pauză
• Schimbi branch-ul
• Deschizi o nouă fereastră

...AI-ul pornește de la zero. Nu știe nimic despre stilul tău de cod, deciziile arhitecturale luate sau soluțiile deja respinse.

Acest efort repetat devine un cost ascuns care se adună zilnic.

Ce pierzi de fapt când contextul lipsește

Trecerea de la cod la prompt costă timp

Schimbarea de la „a rezolva problema” la „a explica contextul” este mai mult decât un simplu schimb de mesaje. Durează câteva minute de fiecare dată, iar aceste minute se transformă în ore pierdute pe săptămână.

Deciziile arhitecturale sunt contestate din nou

Ai ales acum câteva săptămâni un anumit pattern pentru state management. AI-ul nu știe asta. Îți propune altul. Acum nu mai lucrezi cu un partener, ci trebuie să îl corectezi și să îl gestionezi.

Bug-urile se repetă

Ai rezolvat o problemă ieri cu o soluție ingenioasă. Astăzi AI-ul propune din nou aceeași idee. Accepti-o, apoi descoperi că ea cauzează probleme în altă parte. Fără memoria istoriei proiectului, ești prins într-un ciclu de debug repetitiv.

Fluxul de lucru se întrerupe

Când ești în flow, productivitatea atinge cote înalte. Dar fiecare reexplicare a contextului te scoate din acea stare. Micile întreruperi se adună și te epuizează.

Cum funcționează de fapt aceste instrumente

Majoritatea asistenților AI nu păstrează contextul între sesiuni. Chiar dacă rămâi în același IDE, memoria se pierde. Unele instrumente, cum ca Cursor cu indexing-ul de workspace, încearcă să compenseze, dar memoria pe termen lung este încă departe.

Modelul tehnic din spatele LLM-urilor nu „ține minte”. Procesează input și generează output. Pentru a menține mai long context, fie trebuie să injectezi istoria completă în fiecare prompt, fie să folosești retrieval systems sau persistent databases. Toate sunt soluții complexe și costisitoare.

Ce poți face imediat

În așteptarea unor instrumente mai bune, există câteva tactici care ajută:

Păstrează un fișier ADR — Un Architecture Decision Record simplu în repo-ul tău poate deveni memoria ta comună cu AI-ul. Oferiți contextul la începutul fiecarei sesiuni.

Construiește un system prompt puternic — Investește în un prompt de bază care conturează standardele tale de cod, pattern-urile preferate și constrângerile proiectului. Acu