Ethan. 给我写信
文章 · 2026-05-04

我用了一周 Claude 的 auto-memory,然后关掉了它。

因为我已经在用另一套方案 8 个月——今天我把它开源了。

Anthropic 在 Claude Code 里上线了 auto-memory。

我用了一周。然后关掉了它。

不是它有问题——它运转得完全符合设计。但我和我的 AI 工具链已经在用一套不同的记忆系统 8 个月了,对比之下我看到了一件值得讨论的事。

我做的那套叫 project-brain:一套开源的项目上下文协议——含 Claude Code skill、scaffold 脚本,以及对 Cursor / Copilot / Codex CLI / Aider / Continue 的 adapter。v2.3.1 刚刚发布。完整展开在这篇文章末尾。

下面是我看到的。


测试

上周,Anthropic 在 Claude Code 里上线了一个新功能:auto-memory。

设计本身很优雅。Claude Code 观察你的交互,逐步在 ~/.claude/projects/<project-id>/memory/ 建一个记忆文件夹——里面有 user.md / feedback.md / project.md 等文件。每次新会话开始时,这份记忆会被自动注入到 context 里。系统 prompt 明确鼓励:“You should build up this memory system over time”(你应该随时间累积这个记忆系统)。

我用了一周。


我看到了什么

5 条观察。它们都不意味着 Claude 的设计有错——但合在一起,它们揭示了一个 AI 记忆设计的分叉路口,而我觉得这个路口没得到足够讨论。

1. 累积被激励,修剪没有

系统 prompt 鼓励“随时间累积记忆”。但没有对应的鼓励让你定期清理它。

这听起来很中性。其实不是。不对称的激励产生不对称的行为。一周下来,我的记忆文件在长大。我看到它在累积偏好、错误纠正、项目事实。没有任何一刻触发“你应该 review 一下、移除已经过时的”的提示。

结果:一份缓慢增长的“不要做 X”清单。每条单独看都合理。累积起来不合理。

2. 每条 “feedback” 本质上是“以后不要再做 X”

Claude 的记忆有一种类型叫 “feedback”,定义是:捕捉用户纠正 + 捕捉用户确认。

实际操作中,被捕捉的绝大多数是纠正——因为纠正信号强(“你做错了”是清晰的),确认信号弱(“嗯,可以”是模糊的)。

一周后,我的记忆文件成了一堆负面陈述。每条单独看都没问题。合在一起:一种累积起来的防御姿态——我没要求过它,也没看着它在长大。

3. 自动注入 vs 显式调用——两种不同的注意质量

Claude 的记忆是每个会话自动注入到 system context 里的。你不选择是否加载——它默认就在那里。

对照一下:项目根有一份 CLAUDE.md 文件,告诉 AI “这个项目,开始时读这几个特定文件”。这是显式调用。AI 看到结构,跟随指针,带着意图阅读。

两种都能工作。但它们产生不同质量的注意力。自动注入便利且统一。显式调用结构化且有意。对长期协作来说,我发现后者带来更健康的项目上下文关系——AI 是有目的地在读,而不是被动地在吸收。

4. “工具校准”和“工作纪律”没有分隔

这一条最深,也最难说清。

Claude Code 的 auto-memory 设计目标是把助手行为校准到用户偏好。这是合理的产品目标。但机制本身——累积条目作为默认 context 注入——并没有区分两个非常不同的类别:

  • 工具校准:“用户更喜欢 tab 不喜欢空格”。“用户希望 commit message 简短”。
  • 工作风格纪律:“每次都要先测试再 push”。“不要在没问的情况下 reset config”。

第一类是偏好。第二类是实践——累积起来的工作原则,按理应该定期 review,而不是被动吸收。

当同一个机制处理这两类时,第二类被当成第一类对待:被动累积、没有 review 周期。工作纪律变成一份约束清单,而不是一份被有意维护的实践。

5. 防御层会复利累加

当我意识到累积问题,我的第一反应是加一条 meta 规则:“小心累积反射性约束”。

那条 meta 规则本身就是一条反射性约束。

防御性增长的记忆系统 + 管理这种防御性的 meta 规则 = 递归累积。没有自然底线。每一个对问题的观察都变成系统里又一条新的条目。

更健康的方向是反过来:修剪。删条目。相信实时判断而不是预加载的约束。但系统没有被设计来鼓励这个动作。


对比

维度 Claude auto-memory 我在用的方案
加载 每次会话自动注入到 system context 项目级 CLAUDE.md 显式调用
内容类型 feedback 纠正 + 偏好 项目元数据:PROJECT / MAP / STATUS / DECISIONS / HANDOFF
增长 只累积(没有内置修剪) 分层:STATUS 自由覆写(瞬态),DECISIONS 只追加(永久)
边界 工具行为 ≈ 工作纪律(混在一起) 清晰区分:工具校准 vs 结构性记忆
治理 用户必须主动修剪 系统自带硬限制(STATUS 80 行上限)+ 定期 MAP 校准扫描
验证 用了 1 周 → 必须 reset 2 个生产项目验证 + 跨窗口接续机制压测

这些不是要否定对方的对比。这些是地图上的坐标——不同形状服务不同问题。


我做了什么

那么——这 8 个月我一直在用、让对比这么明显的,是什么?

一套文件夹结构,我叫它 project-brain。今天反思之后,我把它开源了:

👉 github.com/Ethan-YS/project-brain

One folder. Every session knows where you left off. 一个文件夹。每次会话都知道你停在哪里。

一个 brain/ 文件夹。5 个核心文件(PROJECT.md / MAP.md / STATUS.md / DECISIONS.md / HANDOFF.md)。一小组协议。设计目的是让一个全新的 AI 会话只读 2-3 个文件就能上手——跨越新会话、新窗口、新协作者。

v2.3.1 刚刚发布。MIT 协议。在 2 个生产项目里验证(Soul Engine 迁移 + 我个人品牌打造的 kick-off)。跨窗口接续机制在真实使用中压测过。

它是分层的提供——你可以挑你需要的部分用:

  • 一套文件夹结构——brain/,含 PROJECT / MAP / STATUS / DECISIONS / HANDOFF
  • 一组协议——判断权分工、按时间特性分文件、按问题维度分类
  • 一个 Claude Code skill——一次安装(git clone … ~/.claude/skills/project-brain),之后在任何项目里说“建项目脑”,skill 会带你走完流程
  • 多种 AI adapter:Cursor、GitHub Copilot、Codex CLI、Aider、Continue(通过 AGENTS.md 约定)
  • scaffold.sh——一条命令 bootstrap 到任何项目
  • doctor.sh——只读结构体检(catch 6 种已知陷阱;只报告,不修改)

README 是入口。case study(Soul Engine v1 → v2 + 个人品牌打造的 kick-off)是证据。如果空模板感觉抽象,还有一份完整填好的示例(examples/small-saas/)。


为什么这件事重要

AI 记忆有两种设计哲学:

  • 累积:捕捉一切,期待清理是罕见的,把工具校准和工作纪律当成一个统一的累积层。
  • 复利成长:把瞬态分离出永久,把工具记忆分离出结构性项目记忆,无情修剪,让结构必须靠“它的存在被需要”才留下。

没有哪种是普遍更好。自动累积适合短上下文、单任务的工具。复利成长适合长期协作——那种 AI 深度参与判断、而不只是执行指令的协作。

这条线画在哪里——一次性工具 vs 长期协作——决定了哪种设计服务你。我觉得整个行业正在集体摸索这件事,而我贡献了一个数据点:一套开源的方法论、8 个月的真实使用、和能说话的证据。

如果你在 Anthropic / OpenAI / Cursor 或任何在做 AI 记忆设计的团队:这不是对你工作的批评。这是对一个对话的贡献。这个分叉路口是真实存在的,我们都应该有意识地选择。