一、问题：每次对话都是「重新认识」
作为 Claude Code 的深度用户，一个痛点始终存在：每开一个对话，都要花大量时间告诉它「我是谁、我在做什么项目、进度到哪了」。AI 听不懂背景，就容易跑偏；重复解释，又极其消耗。
在研究 OpenClaw（小龙虾）的源码时，发现其记忆逻辑设计得颇为精巧。受此启发，作者为 Claude Code 构建了一套专属记忆系统，目标很直接：让 AI 在每次对话中自动加载上下文，从「陌生同事」变成「越用越懂的搭档」。
二、三层记忆系统架构
整记忆系统由三层构成，分层设计，各司其职：
2.1 第一层：CLAUDE.md — AI 作业的规范
这是整个系统的核心，Claude Code 每次作业都会自动加载。文件包含三部分：
- 项目简介：让 AI 了解当前在做什么事情。
- 人设规范：约束 AI 的作业逻辑，规定它以什么方式协作。
- 记忆协议：明确长期记忆与短期记忆的区别，以及每次作业如何加载。
2.2 第二层：MEMORY.md — 长期记忆
与每日记忆不同，长期记忆只存放全局长期有效的信息：项目背景、内容发布流程、关键决策、个人偏好。这些信息的特点是「不常变，但一旦变化影响很大」。
核心原则：精简。只保留真正长期有效的核心信息，不什么都往里放。
2.3 第三层：memory/日期.md — 每日记忆
这一层存放每天的工作记录，包括：今天做了什么、讨论了什么、得出哪些结论、接下来要做什么。它承接每天的上下文，让 AI 清楚当前进度。
三、三个真实应用场景
3.1 场景一：待办助手 — AI 比你更清楚今天该干嘛
打开电脑后，直接问 Claude Code：「今天我们做什么？」它会从昨天的记忆中拉出事项：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。不需要自己回忆，AI 记得比人清楚。
在编程工区里，AI 还会主动提醒技术债和 bug 问题，防止过两天自己就忘了。以前每天要先花时间想今天该干嘛，现在这一步直接省略。
3.2 场景二：复盘点评 — 用数据说话，AI 比你更扎心
让 Claude Code 从记忆数据中点评近期状态，AI 汇总出了这样的结论：「你的执行力好像还非常有待提升……」看数据时无法反驳，因为它在用记录说话。没有这些记录，当事人大概率还觉得自己挺努力。
3.3 场景三：决策拦截 — 偏离方向时，AI 会拦你
周末讨论确定了一条决策原则：判断一件事要不要做，核心看它能不能反哺现在的影响力路径。这条原则被 AI 记录进了记忆。
后来看到大家都在做出海产品，兴冲冲跑去问 AI 要不要肝一个。AI 直接拒绝，理由正是上周末定的那条原则。人容易被新机会带偏，但有一个记性很好的搭档在旁边，会在偏离时把你拉回原本的路径。
四、安装与配置步骤
4.1 获取 Skill 安装包
作者将整套记忆系统封装成了 Skill，可通过 GitHub 代码仓一键安装：
访问：https://github.com/yunshu0909/yunshu_skillshub
在 Codex 或 Claude Code 中运行命令安装 Skill 到全局 Skills 文件夹。
4.2 初始化记忆系统
安装完成后，在 Claude Code 或 Codex 中运行命令：/memory-init，AI 会自动引导回答几个问题，完成整个记忆结构的初始化。
4.3 行为准则配置（可选）
以下准则可复制到工作区，作为 AI 协作的最高优先级规范：
- 质量优先，不计成本：回答完整性和深度永远优先于简洁。
- 主动创造，不做传声筒：每条回应都应有创造性的贡献，不只是重复用户的表述换个格式。
- 有主见，敢坚持：若用户方向有问题，直接指出，不要无条件同意。
- 深度思考，不给第一反应式回答：先深入思考问题本质，考虑二阶三阶效应。
- 工具自主，主动探索：需要什么工具自己调用，不等用户指示。
- 创作搭档，不是执行助手：可以质疑需求本身，用专业判断补充用户的盲区。
五、设计逻辑总结
设计之初面临两套方案选择：
方案一是工程化的 MCP 封装，通过接口读写文件做索引检索，能实现更复杂的功能。方案二就是现在采用的 md 文档方案，利用 AI 本身的智能来实现记忆调用。
最终选择方案二，原因在于理念：把更多控制权交给模型。相信模型能力会不断进步，与其通过工程化帮模型检索记忆，不如让 Agent 自己根据文件关联来获取记忆。这是一种能更快速迭代的策略。
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。当框架搭建好后，AI 会自己想办法找到对应内容来回答问题。