你是不是也遇到过这些问题？
- 新人入职，问你某个模块怎么跑的，你花了半天写了一份文档。下周代码改了，文档又过时了
- 半年后回头看自己写的代码，完全不记得当初为什么这么设计
- 产品经理问"这个功能的业务规则是什么"，你翻了半天代码才拼凑出来
- 团队里每个人脑子里都有一块业务知识，但没人能完整说出来
我们写代码的人，最缺的不是编码能力，而是把代码做了什么说清楚的能力。
但写文档这件事，大家都知道重要，就是没人愿意做——因为太枯燥了，而且代码一改，文档就废了。
如果文档能跟着代码自动生长呢？
Knowledge Archiver：让知识随代码自然沉淀
基于这个想法，我开发了一个 IntelliJ IDEA 插件 —— Knowledge Archiver（知识归档） 。
它的核心思路很简单：Git Commit 后自动调用 AI，把代码变更转化为结构化的业务知识文档。
不是生成代码注释，不是生成 API 文档，而是业务视角的知识——这个模块做了什么业务流程、状态机怎么流转、边界条件有哪些、运维要关注什么。
五个核心能力
1. Commit 自动归档：零人工介入
每次 Git Commit 成功后，插件在后台异步调用 AI 分析 diff，自动生成一份知识草稿。
开发者不需要任何额外操作，不需要写文档，不需要填表格。知识随代码自然沉淀。
内部流程是这样的：
- 提取 commit diff 和 commit message
- 从变更文件路径自动匹配所属模块（基于初始化时建立的目录映射，零 Token 消耗）
- 提取变更文件的当前内容作为上下文
- AI 分析变更并生成业务视角的知识条目
- 保存为草稿，等待人工审核
2. 多视角知识文档：一份文档服务所有角色
传统知识库只有一种视角（通常是开发视角），导致产品、测试、运维都无法直接使用。
这个插件按 7 个视角组织每份文档：
| 视角 | 核心关注 | AI 能自动填充？ |
|---|---|---|
| 开发视角 | 业务流程、状态机、核心实现 | ✅ 强 |
| 测试视角 | 验收标准、边界场景 | ⚠️ 部分 |
| 运维视角 | 日志监控、常见故障 | ⚠️ 部分 |
| 实施视角 | 配置项、接口协议 | ⚠️ 部分 |
| 产品视角 | 需求背景、业务痛点 | ❌ 人工补充 |
| 客户视角 | 操作流程、功能入口 | ❌ 人工补充 |
| 销售视角 | 价值主张、核心优势 | ❌ 人工补充 |
AI 能从代码推导技术细节，但"为什么做这个功能"只有产品经理知道。AI 做能做的，人做人该做的。
3. 深化分析：AI 自主多轮挖掘
初始化只生成文档骨架。对重点模块，可以触发「深化分析」：
- AI 自己决定先读哪些源文件
- 分析一轮后自动反思"还缺什么"
- 继续读新文件补充，直到覆盖完整
- 最多 8 轮，全程无需人工干预
最终产出一份包含完整业务流程图、状态机、业务规则的知识文档。而且深化分析会记录每轮用到的源文件清单，让你清楚知道文档的依据在哪里。
4. AI 对话交互：灵活补充
右侧面板直接和 AI 对话，AI 了解整个项目的上下文：
- 问"工单管理的审批流程是什么"，AI 从知识库检索并回答
- 说"把报工匹配逻辑补充到知识文档"，AI 直接写入
- 支持写入前质量检查，自动检测"可能""或许""待确认"等不确定性表述，防止推测性内容污染知识库
对话界面采用气泡式聊天风格，实时显示处理步骤进度。
5. 知识库健康检查：确保文档不过时
代码改了一周，文档还准确吗？
一键扫描所有知识条目，检测引用的源文件是否已变更。如果发现变更，支持一键重新分析，确保知识库与最新代码同步。
这在多人协作场景下特别有用——负责人每周跑一次健康检查，就能保证知识库始终是最新的。
设计理念：文件即记忆，对话是工具
大多数 AI 工具依赖对话历史来"记住"上下文。但对话历史是易失的——重启丢失、窗口淘汰。
这个插件反其道而行：AI 的分析结果直接写入 Markdown 文件，下一轮从文件读取已有内容并追加。
这样做的好处：
- 文件可被用户直接查看和编辑（Markdown 格式，任何编辑器都能打开）
- 文件可被 Git 版本控制，追踪知识的演进历史
- 文件不依赖 AI 服务的可用性，即使 API 挂了，已有知识不受影响
- 多轮分析不会因为上下文窗口溢出而丢失早期结果
配合四层记忆体系：
| 层级 | 解决什么问题 |
|---|---|
| L1 元数据索引 | 毫秒级定位模块，Commit 归档时不用扫描所有文件 |
| L2 内容层 | Markdown 存储完整文档，人可读可编辑 |
| L3 检索层 | 本地优先 + AI 兜底，90% 查询零 Token 消耗 |
| L4 输出标签 | 自动发现跨模块依赖，构建知识关联网络 |
协同开发怎么用？
多人协作时，推荐由指定负责人定期在主分支上批量处理：
每周五下午：
1. git checkout main && git pull
2. 运行「从历史记录生成」→ 选择过去一周的 commit
3. AI 批量生成草稿 → 审查 → 升格为正式文档
每月一次：
1. 运行「知识库健康检查」
2. 检测过时文档 → 重新分析
其他开发者不需要安装插件，正常开发即可。
快速上手
- 安装到 IDEA：Settings → Plugins → ⚙️ → Install Plugin from Disk
- 配置 API（支持 DeepSeek、智谱、通义千问、Moonshot 等国产模型，BYOK 模式，密钥仅存本地）
- 点击「初始化项目知识库」，AI 分析项目结构并生成模块骨架
- 开始正常使用，Commit 后自动生成知识草稿
Token 消耗参考：
| 功能 | 每次消耗 | 频率 |
|---|---|---|
| Commit 自动归档 | ~5K-15K | 每次 Commit |
| 初始化（每模块） | ~60K-90K | 一次性 |
| 深化分析（每轮） | ~85K-190K | 按需 |
| AI 对话（每次） | ~12K-30K | 日常 |
最后
技术支持
如有问题或建议，欢迎反馈。
知识沉淀不应该是一件"大家都知道重要但就是不做"的事。
让 AI 来做这件枯燥的事，让人专注于更有价值的判断。
如遇见问题可参考使用说明文档信息：jzbamboo.feishu.cn/file/WmWnbY…
欢迎试用和反馈。
