你的AI助手是不是也这样：昨天刚纠正的错误，今天照犯不误；上周敲定的代码规范，这周忘得一干二净。一位把Claude Code当" entire engineering team（完整工程团队）"用的开发者，花了三周时间做了件狠事——不是换工具，是给工具"长记性"。
他最终写了23条技能规则。效果？用他自己的话说，"像从跟实习生配对，变成了跟资深工程师合作"。
痛点：AI的"金鱼记忆"工程灾难
Pharaoh（化名）的日常开发流程几乎完全托管给Claude Code。写代码、调试、重构、审计——全包。但有个致命bug始终修不好：每次新开对话，AI就"失忆"。
昨天刚教的教训，今天归零。 codebase（代码库）的上下文、架构决策、个人偏好，全部蒸发。
他举了个具体例子。某次让Claude重构一个模块，AI顺手把错误处理逻辑删了——因为"看起来没用到"。Pharaoh纠正：这里的错误处理是防御性设计，删了会埋雷。下次对话，Claude又删了。第三次，还删。
"不是它蠢，是它真的没有记忆。"
这像极了带实习生：你讲一遍，他点头；第二天同样的问题，再问一遍。区别在于，人类实习生会成长，AI不会——除非你把"成长"写进它的系统提示里。
解法：把"经验"变成可加载的技能
Pharaoh的解决方案叫"Skills（技能）"——Claude Code支持的一种持久化指令系统。简单说，就是把那些反复出现的教训、规范、偏好，写成结构化规则，让AI每次启动时自动加载。
他花了三周迭代，最终沉淀出23条技能。分类很务实：
代码风格类：比如"永远用显式错误处理，不要隐式忽略"；"异步函数必须带超时机制"。
架构决策类：比如"这个项目的ORM用Prisma，不许换"；"微服务边界按业务域划分，别按技术层"。
个人偏好类：比如"变量命名用camelCase，但数据库字段用snake_case"；"注释要说明为什么，而非做什么"。
每条技能都是"触发条件+具体动作"的格式。不是泛泛的"写干净的代码"，而是"遇到Promise时，检查是否处理了rejection；如果没处理，补try-catch或.catch()"。
Pharaoh打了个比方：以前AI是"每次考试都带空白脑子进考场"，现在是"允许带一张自己整理的作弊小抄"。
效果：从"实习生"到"资深工程师"的体感差异
23条技能上线后，变化是渐进的，但某个时刻突然质变。
Pharaoh注意到，Claude开始主动引用技能里的规则。比如他让加个API端点，AI回复："根据技能#7，这个端点需要 rate limiting（速率限制）；根据技能#12，认证中间件要放在路由层而非控制器层。"
更意外的是"负向能力"——AI开始知道什么不该做。以前它热衷于"优化"，把别人写的代码改得面目全非；现在它会问："这段代码虽然看起来冗余，但技能#3提到这是兼容旧版本的补丁，要保留吗？"
开发节奏变了。以前30%时间在纠正AI，现在10%不到。省下的精力，Pharaoh用来写更多技能——形成正向循环。
他对比了前后两个月的代码提交记录。同样复杂度的功能，迭代轮次从平均4.2轮降到1.7轮。不是AI变聪明了，是"上下文"终于能跨会话存活了。
启示：Prompt工程的下一代是"上下文工程"
这件事的微妙之处在于，Pharaoh没碰模型本身。Claude 3.5 Sonnet还是那个模型，能力边界没变。变的是"输入质量"——通过结构化、持久化的上下文，把通用AI调教成领域专家。
这指向一个被低估的事实：当前AI的瓶颈往往不是"推理能力"，而是"记忆管理"。
人类工程师的价值，一半在写代码，一半在"知道什么情况下该用什么模式"。这些隐性知识以前没法传给AI，因为每次对话都是孤岛。Skills系统（以及类似的OpenAI Custom Instructions、Cursor Rules）本质上是在造"记忆接口"。
Pharaoh有个观察：23条技能里，真正高频触发的只有8条左右。但他坚持保留全部——因为"低频但关键"的规则，恰恰是AI最容易踩坑的地方。比如那条"生产环境禁用console.log，必须用结构化日志"，一年可能只救一次场，但救的是生产事故。
他最后补了一句：这23条还在进化。每发现一个新错误模式，就评估是否值得写成技能。"我的目标是让Claude犯的错误，都是我还没遇到过的。"
你的AI助手今天犯了什么昨天教过的错？如果只能写一条"技能"让它记住，你会从哪条开始？
热门跟贴