AI 编码记忆的诀窍不在于更大的指令文件——而在于更小的、层次化的知识

Source: Dev.to

大型指令文件的问题

人们常常试图通过把指令文件做得庞大来解决“我的 AI 会忘记一切”的问题——比如 500、1,000、2,000 行的 CLAUDE.md（或 .cursorrules 等）。
研究表明，当上下文过长时，AI 的准确率会下降，埋在大型文件中的指令会被忽视。结果是一个臃肿的文件，在你甚至提出问题之前就已经消耗了上下文窗口。

真正有效的方法

相反的做法效果更好：小而针对性的文件，仅在相关时加载。

分层架构

层级 1 – 宪法

包含一个路由表，告诉 AI 在哪里可以找到每条信息。层级 1 并不是把所有内容塞进一个文件，而是简单地指向相应的层级。

层级 2 – 活体记忆

保存最常用的指令，应该能够即时获取。

层级 3 – 项目大脑

为每个项目单独的文件，将项目特定的上下文隔离。

层级 4 – 知识库

一个可搜索的仓库，AI 在需要更深入信息时可以查询。

会话记忆（连续层）

一个轻量层，在对话中保持上下文，并随着会话进行链接相应的层级。

经验教训

• 严格为每个层级设定预算。

  • 层级 1 为 200 行，层级 2 为 50 行。
  • 限制迫使你优先考虑质量，并将多余内容移至更合适的层级，而不是倾倒到始终加载的文件中。

• 不要存储 AI 能自行推导的内容。

  • 文件结构、可见的代码模式以及 git 历史模型已经可以访问。
  • 仅存储如果没有明确指令 AI 会出错的信息。

• 摘要器安全措施。

  • 一个尝试一次处理 50 个会话的无监督摘要器触发了 API 错误，重新尝试了整个批次，消耗了一周三分之一的 token 预算。
  • 解决方案：
    1. 批次上限设为 5 个会话。
    2. 使用已处理标记，避免对已完成的会话重新摘要。
    3. 锁文件防止并发运行。

兼容性

该架构可用于 Claude Code、Cursor、Copilot、Codex、Aider——任何读取指令文件的工具。文件名可能不同，但分层方法保持不变。

代码仓库

完整系统（包括模板和自动化设置脚本）已在 GitHub 上提供：
https://github.com/sms021/SuperContext

邀请深入讨论

欢迎随时询问关于架构的任何部分、会话记忆处理，或如何将现有的巨型指令文件迁移到此分层结构的更多细节。