在日常使用 Trae（AI 编程助手或 IDE 插件）进行开发时，许多开发者会遇到一个典型困扰：上下文丢失。具体表现为：当我们切换到另一个文件、开启新对话，或者在一次长会话中讨论多个主题后，AI 似乎“忘了”之前提到的代码结构、变量定义、函数用途，甚至是项目的业务规则和约束。这会导致重复解释、生成不符合需求的代码，甚至需要反复澄清，影响工作效率。

---

一、为什么会出现上下文丢失？

1. 模型 token 长度限制
   Trae 背后的 AI 模型在一次推理中能处理的上下文长度是有限的（即 token 上限）。一旦对话或代码量超出这个限制，较早的内容会被截断或丢弃，AI 就无法再引用它们。

2. 会话与文件的切换
   在不同的文件、标签页或对话主题之间切换时，如果没有显式传递原有背景，Trae 并不会自动将这些历史信息带入新场景。

3. 缺乏显式的上下文注入
   有时我们默认 AI 会“记得”之前说过的话，但实际上，如果不再次提供相关代码、数据结构或需求描述，AI 是无法凭空回忆的。

4. 多轮对话缺乏结构化
   零散、跳跃的提问会让 AI 难以建立连贯的认知，容易遗漏关键逻辑链条。

---

二、解决思路与具体方法

1. 显式提供完整上下文

最有效的办法是在每次提问时，把与问题相关的代码、数据结构、函数签名和业务规则一并贴出。不要假设 AI 已经知道这些信息。
例如：

基于以下用户模型定义和之前写的 createUser 函数，帮我添加邮箱验证逻辑：

interface User { id: number; name: string; email: string; }  
function createUser(data: User) { ... }  

这样 AI 能立即获取所需背景，避免猜测或遗忘。

2. 使用“上下文锚点”指令

在对话中固定一些关键背景，让 AI 在后续交流中能够引用。比如：

记住：本项目使用 TypeScript + Prisma，数据库表 users 含 email_verified 字段。
之后提问可以说：
延续刚才的邮箱验证需求，现在要加唯一性检查。
这种锚点式提醒能在一定程度上弥补模型的记忆短板。

3. 分段持久化上下文

对于长需求，可以将其拆分为独立文档或注释，在需要时通过 @file 或直接粘贴引入：

参考 @docs/project-rules.md 中的第 3 节，实现分页查询。
这样即使切换到新对话，也能快速恢复相关背景。

4. 利用 Trae 的记忆或项目知识库功能

如果 Trae 支持项目级记忆或自定义知识库，应提前录入：

• 技术栈说明
• 编码规范
• 核心模块设计
  这样 AI 在每次对话时会自动加载这些知识，减少重复说明。

5. 控制单次对话长度

将复杂任务分解为多个子任务，每个子任务在新对话中重新注入必要上下文，避免 token 溢出。例如：

1. 对话 1：定义数据模型和接口 → 保存结果
2. 对话 2：基于模型实现 Service 层 → 粘贴模型定义
3. 对话 3：编写 Controller 并测试 → 引用前两阶段代码

6. 结构化提问模板

使用固定的提问结构，让 AI 更容易抓住重点：

[背景] 当前项目：React + Node.js，使用 JWT 鉴权
[已有代码] // auth middleware const authenticate = (req, res, next) => { … }
[需求] 在中间件后添加角色校验，仅允许 admin 访问 /admin 路由
[约束] 使用现有的 getUserRole(userId) 函数

7. 定期总结与确认

每完成一个阶段，可以让 AI 输出当前上下文的总结：

请总结我们已确定的用户模块设计，包括字段、函数和权限规则。
并将总结内容复制到后续对话开头，作为“上下文快照”，确保信息连贯。

---

三、应避免的做法

• 假设 AI 会自动记住所有历史细节：模型的记忆是有限的，必须主动提供信息。
• 在不同文件间切换时不携带任何背景说明：这会导致 AI 失去参照系。
• 一次性抛出过长、无结构的需求列表：AI 难以从中提取有效上下文。

---

四、最佳实践建议

1. 上下文即代码：把关键信息当作“代码”一样显式声明和传递，而不是口头或隐式交代。
2. 一次一主题：单轮对话聚焦一个明确目标，减少无关信息干扰。
3. 善用注释与文档：在项目中维护 CLAUDE_CONTEXT.md 或 TRAE_NOTES.md，集中存放 AI 需知的项目知识，便于随时引用。

---

五、演示工作流

1. 新建 CLAUDE_CONTEXT.md，写入技术栈、核心模块、待解决问题。
2. 每次提问时，首行引用该文件内容或粘贴关键片段。
3. 复杂任务拆解为子任务，每个子任务开始前重述相关上下文。
4. 定期让 AI 输出“当前上下文摘要”并保存，供后续回溯。

---

结语

Trae 的上下文丢失问题，本质上是信息未显式传递与模型记忆有限共同作用的结果。通过主动注入背景 + 结构化提问 + 持久化关键上下文，我们可以显著减少重复沟通，提升 AI 输出的准确性与连贯性。
把上下文当作开发中的“变量声明”一样认真对待，你会发现 AI 助手的协作体验会跃升一个台阶，让编程变得更专注、更高效。