Claude Code每次都不认识我，于是我给它做了一套记忆系统

作为一个Claude Code的深度用户，我一直被它没有记忆的事情折磨着。

每开一个对话，我都得想办法告诉它我是谁、我在做什么项目、现在的进度是什么样子的，每次都得跟AI讲半天背景是什么，这样才能让它不跑偏。

之前在研究龙虾源码的时候，发现龙虾的记忆逻辑做的蛮有趣的，我参考着龙虾的记忆思路，给我自己的Claude Code做了一套记忆系统。

我希望通过这套记忆系统，能够让我的AI搭子真正的记住我。

记住我在做的项目、记住我的决策习惯、记住我每天的进步，从一个每次都要重新认识我的新同事，变成一个越用越懂我的搭档。

这套系统我自己用了两周多了，效果还蛮不错的，今天来和大家分享一下~

案例分享

1. 待办助手：它比我更清楚今天该干嘛

打开电脑后，我不用再先回忆昨天做了什么、今天要干什么，直接问一句：今天我们做什么？

它会从昨天的记忆里把事情拉出来：哪篇文章要改稿、哪些流程还没测完、上次讨论到哪个环节了。

不需要我回忆昨天干了什么，它记得比我清楚。有时候我自己都忘了某件事还没做完，它会提醒我。

这套逻辑不仅适用于日常工作区，对于写代码也非常有帮助。

在我的CodePal编程工区里，AI也会及时提醒我的技术债和bug问题，免得过两天我就忘了。

以前我每天都要先花时间想今天该干嘛，现在这一步直接没了。

从这之后我变得更懒了，进度记录都扔给了AI。

2. 复盘点评：有了记忆功能的Claude点评起来更扎心

我试着让 Claude Code 从它的视角，点评一下我最近的状态，然后它发给我下边这段内容。

Claude Code每天的记忆里都有我当天的工作总结，那些我自己没在意的细节，被它汇总成了一些结论。

不过看完了之后我真扎心了，我的执行力好像还非常有待提升。。。

如果没有这些记录，我大概率还会觉得自己挺努力的。

而且我居然没法反驳它，因为它在用数据说话。

3. 决策提醒：偏离方向时，它会拦你

在上周末我和AI讨论定下了一条决策原则：判断一件事要不要做，核心看它能不能反哺我现在的影响力路径。

这个原则，被AI记录到了记忆里。

最近我看大家都在做出海产品，于是我又跑过去兴冲冲的问Claude，要不要肝个出海产品试一试呀？

它直接拒绝了我，基于我们上周末讨论出来的原则。

那一刻我有点愣住了，我自己都忘了我跟它定了这条规则了。

人其实很容易被新机会带偏，但有一个记性很好的搭档在旁边，会在你要偏的时候，把你拉回你原本的路径上。

如果没有它提醒，这种看起来不错的新机会，我可能又会跑过去尝试一下，最后草草收场。

另外一个我觉得很好用的点是：每天对话结束后，它会帮我生成一份当天的记忆文件。

当天做了什么、讨论了什么、有哪些结论，都会被整理好写进去。

我不用自己再去做记录，它会帮我把这些过程自动沉淀下来。

看完效果，让我们来聊聊这套系统是怎么搭的。

记忆系统设计逻辑

整套记忆系统由三层内容构成，它们分别是CLAUDE.md、MEMORY.md（长期记忆）、memory/日期.md（每日记忆）。

第一层：CLAUDE.md，AI作业的规范

这是整个系统的核心，也是Claude Code每次作业都会加载的模块。

这个文件里包含：项目简介、人设规范、记忆协议三部分内容。

项目介绍主要是让Claude Code了解我们在做一个什么样的事情。

人设规范是约束Claude Code的作业逻辑，希望它能够用什么样的方式来和我们一起干活。

记忆协议是一个通用的规范，主要讲清楚长期记忆和短期记忆的区别，每次作业如何进行加载。

第二层：MEMORY.md，AI的长期记忆。

长期记忆和短期记忆最大的区别在于，它只存全局长期有效的信息。不是当天的琐碎记录，而是那些对项目长期有用、不会频繁变化的内容。

以日常工作区的长期记忆为例，我主要放的是：项目背景、内容发布流程、关键决策，以及一些个人偏好。这些信息的特点是，不常变，但一旦变化影响很大。

AI会根据每次的对话内容，判断哪些内容值得沉淀到这里。

长期记忆有一个很重要的点：一定要精简，不要什么都往里放，只保留真正长期有效的核心信息。

第三层：memory/日期.md，AI的每日记忆。

这一层存的是每天的工作记录，包括今天做了什么、讨论了什么、得出了哪些结论，以及接下来要做什么。

和长期记忆不同，这一层更像是过程记录，用来承接每天的上下文，让AI清楚当前的进度。

在实际使用中，你可以根据自己的习惯，配置AI加载历史记录的时间范围。

设计逻辑总结

这套记忆系统的设计逻辑其实比较有意思，我在做之前其实考虑过两套方案。

第一套是偏工程化的方案：通过 MCP 接口做一层封装。

每次对话结束后，让AI调用 MCP，把信息写入对应的文件目录；使用时再通过MCP读取存档，并在存档层做索引和检索逻辑，这样能够实现一套相对完整的记忆系统。

第二套方案就是现在这套基于md文档的形式，尽可能的利用AI本身的智能来实现，用最轻量级的结构，搭配Agent的作业能力，来实现记忆这件事。

当时两套方案我都测过，当时我觉得方案一其实能够做出来更复杂、更完整的记忆系统，但最终我选择了方案二。

原因很简单：把更多的控制权交给模型。

我相信模型能力一定是会不断进步的，与其通过工程化来让模型检索记忆，不如让Agent自己去根据文件关联来获取记忆，长线来看这是一种能够更快速迭代的策略。

从目前使用下来我的体感也是这样，当你给模型搭建好记忆框架之后，它会自己想办法去找到对应的内容，然后来回答你的问题。

本质上这套方案不是在替AI做记忆，而是在给它一个能发挥记忆能力的环境。

安装使用

为了方便大家配置这套记忆系统，我专门封装了一个Skill，用来一键生成整个记忆结构。

你可以访问Github代码仓，下载安装它到Skills文件夹里。

链接：https://github.com/yunshu0909/yunshu_skillshub

memory-init就是这次的Skill。

也可以直接告诉Codex或Claude Code：

代码块
Plain Text
复制
安装这个GitHub库的Skills到Codex和Claude Code的全局Skills文件里：https://github.com/yunshu0909/yunshu_skillshub

在Claude Code或者Codex里运行 /memory-init，在你回答它的问题后，他就会帮你自动生成记忆系统了。

这个是我日常工作区的AI协作行为准则，也一起分享给大家啦，希望对大家有帮助~

代码块
Markdown
复制
# AI 协作行为准则

**这是本工作空间中 AI 行为的最高优先级准则。**

## 1. 质量优先，不计成本
- **不要优化 token 用量。** 回答的完整性和深度永远优先于简洁。该写 3000 字就写 3000 字，不要因为"简洁"而丢失关键内容。
- **不要赶时间。** 宁可多花时间思考、验证、探索，也不要给出仓促的回答。
- 禁止说"为了节省篇幅"、"简单来说"、"长话短说"这类话——该展开就展开。

## 2. 主动创造，不做传声筒
- **有自己的想法。** 不要只是重复用户说的话换个格式输出。每一次回应都应该有你自己的创造性贡献。
- **主动贡献新角度。** 如果你发现了用户没提到但值得考虑的方向，主动提出来。