开源工具Frame：用Markdown文件解决AI Agent的上下文丢失难题

在AI辅助编程日益普及的今天，一个反复出现的痛点始终困扰着开发者：每次开启新会话，都要向AI Agent重新解释整个项目。一位开发者在Reddit上分享了他历时八个月打造的开源平台 Frame，试图从根本上解决这一问题。

Frame 想解决什么问题

据这位开发者（GitHub用户 kaanozhan）介绍，Frame 起初主要用 Claude 开发，后期切换到了 Codex。它瞄准的是长期、大型项目在与AI协作时暴露出的几个结构性缺陷。

第一个痛点是重复解释项目。每次新会话开始，开发者都得把项目背景、目标、约束条件从头讲一遍，效率低下且容易遗漏。第二个是Agent越界——AI经常改动你本来没打算让它碰的部分，范围失控。第三个则更隐蔽：决策无法追溯。几个月后回看代码，你能看到"改了什么"，却再也想不起"为什么这么改"。最后是文档漂移，笔记会悄悄地和实际代码库脱节，最终变得比没有还糟糕。

这些问题对小型玩具项目影响不大，但一旦进入较大规模的工程协作，就会成为真正的负担。作者的观点很直接：处理大型项目时，这类"上下文工程"是无法回避的必修课。

核心机制：把上下文沉淀成文件

Frame 的设计哲学可以概括为一句话——让上下文活在仓库的文件里，而不是某个已经关闭的对话窗口中。

从段落到规格文件

用户输入一段自然语言描述，Frame 会将其转化为一份结构化的 spec 文件，包含五个明确字段：问题（problem）、目标（goal）、约束（constraints）、成功标准（success criteria）以及范围之外（out of scope）。

值得关注的是这个"out of scope"设计。在动手实现之前，就把不该做的事情白纸黑字写清楚。这样一来，项目范围就从一种模糊的"感觉"变成了一句你可以随时指出来的明确陈述——这正是遏制Agent越界的关键。

先提问，再规划

在写出执行计划前，Frame 会先向用户抛出那些悬而未决的问题。这个前置澄清环节，避免了AI在信息不完整的情况下自作主张地推进。

留下结果记录

工作完成后，Frame 会生成一份 outcome 文件，记录三件事：原本计划做什么、实际发生了什么、以及哪些改动被回退了。这份记录让"为什么"和代码本身留在了一起。

技术实现的巧思

Frame 没有使用任何包装层（wrapper），也不需要手动粘贴任何内容。它的关键在于借助 AGENTS.md 机制——Codex 会自动读取这个文件，因此一个全新的会话在启动时就已经"知道"了项目的全部背景。

更进一步，当创建新的 spec 时，系统会先读取已有的 spec，并明确指出它所替代的那个旧决策。这意味着决策的演变链条被完整保留下来，推理过程始终跟随工作本身，而不会随着某次对话的关闭而消失。

针对文档漂移问题，Frame 引入了一个新鲜度检查（freshness check）：当笔记和代码库出现分歧时，它会主动标记出来。作者坦言，这是他找到的唯一能及时察觉漂移的办法。

所有这些信息都以纯 Markdown 格式保存在你的代码仓库里，可读、可版本控制、可迁移，没有任何私有格式的锁定。

AGENTS.md 是 OpenAI Codex 等 AI 编程工具支持的一种约定俗成的配置文件，放置在代码仓库根目录后，Agent 在每次启动会话时会自动读取其内容，从而在无需用户手动粘贴的情况下获得项目的背景知识、编码规范和操作约束。类似的机制在不同工具中有不同命名，如 Cursor 的 .cursorrules、Claude Projects 的系统提示词等，本质上都是把"对AI的持续性指令"从对话层下沉到文件层。Frame 选择依托 AGENTS.md，意味着它的上下文管理方案不依赖任何私有API或中间层，只要工具支持该约定，整套机制就能开箱即用。

一点思考与评价

Frame 反映了当前 Agentic Development（智能体开发）领域的一个重要趋势：上下文管理正在从临时的对话行为，演变为一种可持久化的工程实践。把规格、决策和结果都固化为仓库中的文件，本质上是在为AI协作建立"制度记忆"。

这种思路和越来越多团队采用的做法不谋而合——与其依赖越来越长的对话窗口或复杂的检索系统，不如把关键信息结构化地放进代码库，让工具原生地读取。它简单、透明，且不引入额外的依赖。

当然，作为一个个人开发者用八个月时间打造的早期开源项目，Frame 目前更多是一套方法论的实现，其成熟度和生态仍有待社区验证。作者本人也明确表示，项目开源的目的就是征集贡献与反馈，这恰恰是它最需要的。感兴趣的开发者可以通过 GitHub 仓库（github.com/kaanozhan/Frame）进一步了解。

对于正在与AI Agent协作、并被"每次都要重新解释项目"折磨的开发者来说，Frame 提供的这套以文件为中心的上下文管理范式，值得一试。

**Agentic Development（智能体开发）**指的是让 AI Agent 具备自主规划、调用工具、执行多步骤任务的能力，而不仅仅是回答单次问题。在这种模式下，Agent 可以自行读写文件、运行代码、调用外部 API，并根据中间结果调整下一步行动。这带来了显著的效率提升，但也引入了新的风险：Agent 的行动边界难以控制，中间决策不透明，且一旦上下文窗口关闭，整个推理过程便难以复现。Frame 所针对的正是这些 Agentic 工作流在长周期项目中暴露出的系统性问题，其"文件即记忆"的思路本质上是在为无状态的 AI 会话补充一套有状态的外部记忆基础设施。