Dropstone CLI：会自我学习的终端编程代理

在AI编程工具竞争白热化的当下，大多数产品比拼的是模型能力或补全速度，而Product Hunt上排名第10的Dropstone CLI选择了一条不同的路——让编程代理记住你的每一次纠正。这款定位为"self-learning coding agent"的终端工具，试图解决一个被长期忽视的痛点：你教过AI的东西，它下次还会忘。

从"一次性对话"到"跨会话记忆"

Dropstone CLI的核心卖点写得很直白："Correct it once and it keeps the lesson across sessions"。这意味着当你指出一次错误——比如某个项目的测试命令应该怎么写、某类代码风格不符合团队规范——这个修正会被保留下来，而不是随着对话窗口关闭而消失。

这个设计思路切中了当前编程代理的一个真实困境。无论是终端里的CLI工具还是编辑器内的助手，多数产品的"学习"仅发生在单次会话的上下文窗口内。开发者反复纠正同类问题，本质上是在做无用功。Dropstone把"学习"从模型层面下移到了工具层面，用产品机制而非微调来解决记忆问题，这是一个务实的工程选择。

上下文窗口（context window） 是大语言模型单次推理时能处理的最大 token 数量，它决定了模型在一次对话中"看到"多少信息。当前主流模型的上下文窗口从数万到上百万 token 不等，但无论窗口多大，一旦会话结束，窗口内的信息便不再被模型保留。这正是编程代理"反复犯同样错误"的根本原因：开发者在上一次会话中的纠正只存在于那个已关闭的上下文窗口中，新会话开启后模型面对的是空白状态。业内解决这一问题的常见路径包括微调（用纠正数据重新训练模型，成本高、周期长）和 RAG（检索增强生成，将历史修正存入向量数据库，会话时检索注入）。Dropstone 选择在工具层面做记忆管理，本质上更接近后者的工程化落地，但具体采用哪种机制目前尚不明确。

多档模型与可控的执行边界

Dropstone提供了Fast、Pro、Heavy三档模型选择，分别对应不同的任务复杂度和成本考量。这种分层策略并不新鲜，但它与"先规划再执行"的流程绑定在一起，形成了一套相对完整的作业链条：代理先读仓库、理解结构，制定计划，再跨文件编辑、运行命令和测试，确认无误后才宣称完成。

更值得关注的是命令权限的设计。用户可以设定哪些命令直接执行、哪些需要先询问、哪些完全禁止。对于把AI代理接入真实工程环境的团队来说，这可能是比模型能力更关键的决策因素——没有人愿意让一个自主代理在生产仓库里无约束地跑命令。

可扩展的代理生态

Dropstone支持添加技能（skills）、自定义代理、并行子代理以及MCP工具。并行子代理意味着复杂任务可以被拆解给多个代理同时处理，这与当前多代理协作的技术趋势一致。MCP（Model Context Protocol）的接入则让工具能够调用外部数据源和服务，扩展了代理的能力边界。

GitHub集成是另一个亮点：在issue下留言，代理可以自动开启pull request。这把编程代理从"本地助手"推向了"工作流参与者"的位置。不过目前公开信息中没有说明这一集成的具体实现细节和可靠性表现。

MCP（Model Context Protocol） 是由 Anthropic 于 2024 年底提出并开源的一套协议标准，旨在为 AI 模型与外部工具、数据源之间建立统一的通信接口。在 MCP 出现之前，每款 AI 编程工具都需要自行开发对接数据库、API、文件系统等外部资源的连接器，导致重复劳动和生态割裂。MCP 的思路类似于 USB-C 协议——用一套标准接口替代五花八门的专有方案。具体到编程代理场景，MCP 服务器可以暴露代码仓库查询、文档检索、CI/CD 状态获取等能力，代理通过标准化的请求格式调用这些服务。对 Dropstone 这类工具而言，接入 MCP 意味着无需逐一适配每种外部服务，即可快速扩展代理可访问的数据范围和可执行的操作类型，这也是当前编程代理工具普遍拥抱 MCP 的核心原因。

免费策略与信息缺口

Dropstone在每一个计划中都包含规划功能，包括免费版。对于一个新工具而言，把核心的规划能力下放到免费层，是获取用户信任的合理手段。

坦率地说，这款产品目前公开的信息相当有限——80个投票、2条评论的数据也说明它尚处于早期阶段。"跨会话学习"具体如何实现（是存储修正记录、生成规则文件，还是其他机制）、学习效果的边界在哪里、多档模型分别对应哪些具体模型，这些关键问题在产品页面上都没有给出答案。对于一个主打"自我学习"的工具来说，学习机制的黑盒程度直接决定了用户能否建立信任。

Dropstone CLI代表了一个有意思的产品方向：不追求更强的基础模型，而是通过记忆机制和流程控制让代理变得更"听话"。这条路能否走通，取决于它对"学习"这件事的实现是否足够透明和可靠。