开源工具 Hunch：为 AI 编码助手接入 Git 原生决策图

一款名为 Hunch 的开源开发者工具近日在 Hacker News 发布，定位是为 AI 编码助手补齐「长期记忆」。它把仓库里分散在 PR、Slack 与开发者脑中的决策与权衡，自动沉淀为 Git 原生的决策图，并通过 MCP、CLAUDE.md 与 hooks 等多种通道回授给 AI 助手，使后续每一次代码生成都能引用历史决策及其证据。整体方案本地优先、离线可用、Apache-2.0 开源，对个人开发者免费。

要解决什么问题

当前的 AI 编码助手普遍存在「每次会话都从零开始」的问题：模型会重新读代码、重新猜测意图，进而撤销开发者上月刻意做出的决定。其根源在于，仓库只记录「最终代码」，而「为什么这样写」「曾经否决过什么」「哪些约束不能破坏」这些关键推理散落在外部，难以被模型稳定访问。典型的 RAG 记忆也只能覆盖当前会话，价值随时间趋于平坦。

三层架构：索引、学习、落地

Hunch 将能力拆成三层流水线，对应「index / learn / ground」三个阶段：

• 索引（index）：在不调用 LLM 的前提下扫描代码，绘制函数、文件、组件之间的依赖关系，从而能在改动前估算出影响半径；
• 学习（learn）：在每次 commit 后将事件合成为结构化记录——一次失败测试会变成带归因的 bug 条目，反复出现或严重的 bug 会被提升为「约束」，成为 AI 编辑时必须遵守的规则；
• 落地（ground）：通过 MCP server、自动维护的 CLAUDE.md 与 slash 命令等通道，将记忆回授给 AI 助手，每条结论都附带来源、置信度与证据。

决策图：以 bug 为起点

Hunch 的核心数据结构是一个有向图，节点类型包括 bug、decision（已采纳的决策）与 constraint（约束），三者通过提交、符号与组件互相链接。当 AI 助手询问「这里为什么不能用 JWT」时，图会给出完整的因果链：曾出现的 bug、当时的备选方案、被否决的理由，以及最终落到代码与文档中的约束。约束可限定到特定路径（如 src/auth/**），在该范围内的任何改动都会被前置校验。

工程与开放性细节

工具本身强调了若干工程取舍：

• 纯本地：图以普通文件形式与代码同仓存放，可随 PR 审阅、可随 git push/pull 同步；
• 安全写：中断写入不会损坏图，损坏状态会拒绝覆盖有效数据；
• 时间旅行：可查询任意 commit 或 tag 时刻团队持有的判断，过期决策保留为「可审计」而非删除；
• 公私分离：代码可以开源，但包含敏感判断的图可以放在另一个私有仓库，确保本地查询可见而公开发布物不泄露；
• 文档治理：以图为来源渲染 wiki，并对仓库内已有文档做「已对齐 / 过期 / 未验证」分级，过期文档由 wiki 维护副本逐步替换，原文不被改写。

小结

Hunch 并非新模型，而是面向 AI 编码场景的「记忆与约束层」尝试。它把工程团队长期积累的隐性决策显性化、可校验化，并通过本地化与开源策略降低使用门槛。对重度依赖 AI 助手的开发者而言，这一类工具有可能成为减少「AI 反复犯同样错误」的实用补充；但它仍是一个早期项目，长期效果还需依赖更多团队的实践验证。