跨会话记忆的空白
让 AI 查资料或读源码时，关闭对话窗口后下次再问又得从头开始——这是当前 AI 编码助手的普遍痛点。研究者需要反复让模型重新搜索相同的信息、阅读相同的代码文件，浪费时间和 token。
ascent-research 是一个开源项目，它让 AI 的研究工作能够跨会话持续积累。所有研究成果以纯文本文件保存在本地，下次启动时自动接续上次的分析进度。
核心设计
ascent-research 的工作方式：
- 本地纯文本存储：所有研究发现、代码分析、网页摘要以
.txt文件保存在本地目录，不依赖云端数据库 - 自动上下文恢复：启动时扫描已有的研究文件，将之前的发现注入当前会话的上下文
- 多数据源支持：可以从网页、本地代码库、Obsidian 笔记等来源收集信息
- 进度可视化：通过文件结构直观展示研究进度，哪些模块已分析、哪些待深入
这种设计的核心思路是将”研究状态”外部化为文件系统，而非绑定在某个对话实例的上下文窗口中。
实际工作流
# 1. 初始化研究项目
ascent-research init my-project --source-dir ./src --web
# 2. 让 AI 开始研究
# AI 会分析指定目录的代码结构，生成研究报告
# 同时可以添加网页 URL 作为补充参考
# 3. 关闭对话后重新启动
ascent-research resume my-project
# 自动加载之前的研究发现，AI 从上次的进度继续
# 4. 研究成果导出
# 所有发现以纯文本保存，可直接查看、编辑或分享给团队与替代方案对比
| 维度 | 传统对话 | ascent-research |
|---|---|---|
| 跨会话 | 无记忆 | 纯文本持久化 |
| 存储方式 | 平台绑定 | 本地文件系统 |
| 上下文恢复 | 手动粘贴 | 自动加载 |
| 可审查性 | 不可导出 | 纯文本可直接查看 |
| 协作 | 单人对话 | 可共享研究目录 |
适用场景与限制
适合：
- 大型代码库的渐进式分析和理解
- 需要多轮迭代的技术调研
- 团队共享研究成果的场景
- 不想将代码上传到云端的研究需求
限制：
- 纯文本格式不包含丰富的交互历史（如代码执行结果截图）
- 需要手动管理研究项目的生命周期
- 对于实时性要求高的场景（如在线调试）帮助有限
- 项目处于早期阶段，社区规模较小
ascent-research 解决的是一个具体但高频的痛点：AI 研究工作的碎片化。它不试图替代对话式 AI，而是为跨会话研究提供了一个可持久化的基础设施层。