上周三凌晨两点，我正用 Claude Code 重构一个祖传 Java 项目。第三次新开对话窗口的时候，我意识到一件事：我正在重复教同一个 AI 认识我的项目结构。每次新对话，它都要重新学习命名约定、重新理解模块边界、重新记住我讨厌在接口里写业务逻辑。AI 代理最大的问题不是不够聪明，而是太健忘——每次对话都是一张白纸，像个每天早上都会失忆的天才实习生。

这就是为什么 Everything Claude Code 这个项目值得现在写。它在 Anthropic Hackathon 拿了冠军，GitHub 上攒了 5 万多 Star，核心解决的问题就一个：让 AI 代理从「一次性用品」变成「可复用资产」。在 AI 编程工具井喷的当下，这个方向踩在了真正的痛点上——不是模型不够强，而是每次都要重新驯服它太累了。

AI 健忘症的根源

先说清楚问题在哪。你用 Claude Code、Cursor、Codex 这些工具的时候，大概率遇到过几种情况：

第一种，教完就忘。你在上一个对话里详细解释过项目的分层架构，新开一个对话，AI 又开始建议你在 Controller 里写 SQL。

第二种，规范飘移。你说过变量命名要用驼峰，前几轮对话它还记得，聊着聊着就开始给你吐下划线命名法。

第三种，上下文爆炸。你想让 AI 记住的东西太多，Token 预算撑不住，最后要么截断要么失真。

这些问题本质上是同一个矛盾：AI 模型本身是无状态的，但工程实践需要状态累积。模型每次推理都是独立的，你之前说过的话、建立过的约定，它不会自动带到下一次对话里。

Everything Claude Code 的思路很直接——既然模型本身不记事，那就在外层套一套「记忆系统」。它把 AI 代理需要的能力拆成四个模块，每个模块负责一类可复用的状态。

四大模块的设计哲学

这个项目的核心架构是四个模块：Skills、Instincts、Memory、Security。名字起得挺玄乎，但设计逻辑很清晰。

Skills（技能） 是显性知识。比如「如何在这个项目里写一个标准的 REST 接口」、「如何运行测试套件」、「如何部署到测试环境」。这些是可以写成文档、编成流程的东西。Skills 的特点是可复用、可组合——你定义一次，AI 在后续对话里就能反复调用。

Instincts（本能） 是隐性习惯。这个名字起得有意思——本能是不需要思考的自动反应。比如「优先使用函数式风格」、「避免在循环里做数据库查询」、「写完代码自动加日志」。这些不是显式的流程，而是你希望 AI 养成的「肌肉记忆」。Instincts 的价值在于减少重复指令——你不用每次都说「记得加异常处理」，AI 自己就会做。

Memory（记忆） 是跨会话持久化。这是解决「健忘症」的核心。Memory 模块会把关键信息存储下来，下次对话自动加载。比如项目的核心架构决策、重要的技术债务清单、已知的坑和避坑指南。Memory 的设计难点在于选择性——不是所有东西都值得记，记太多反而会污染上下文。

Security（安全） 是防护层。AI 代理在执行操作时，可能会误删文件、泄露敏感信息、执行危险命令。Security 模块负责扫描和拦截。这个模块的存在说明项目不是玩具——它考虑了生产环境的风险。

这四个模块的关系可以这样理解：Skills 是你教给 AI 的「课本知识」，Instincts 是你希望 AI 养成的「行为习惯」，Memory 是 AI 的「长期记忆」，Security 是「安全带」——防止 AI 误伤自己或别人。

选择性安装架构的精妙之处

Everything Claude Code 有一个容易被忽略但很重要的设计：选择性安装。

它不是一个大而全的包，而是按需加载的组件系统。你可以只装 Skills 模块，也可以只装 Memory 模块。这种设计有几个好处：

第一，降低复杂度。不是每个项目都需要全部功能。小项目可能只需要几个 Skills，大项目才需要完整的 Memory 系统。选择性安装让你按需取用，不会引入不必要的复杂度。

第二，减少 Token 消耗。每个模块都会占用上下文空间。如果你不需要 Security 模块，不装就是了。Token 就是钱，也是响应速度。

第三，适配不同工具。项目支持 Claude Code、Codex、Cursor、OpenCode 多个平台。不同平台的特性不同，选择性安装让同一套架构能适配不同工具链。

从工程角度看，这个设计体现了「最小必要复杂度」的原则——只引入解决问题所需的最小功能集，而不是堆砌功能。很多开源项目死于过度设计，Everything Claude Code 的克制反而成了优点。

生产级可靠性的背后

开源项目最怕「能跑但不能用」——Demo 很漂亮，真上生产就翻车。Everything Claude Code 在这方面做得比较扎实：997 个内部测试用例。

这个数字本身就能说明问题。一个 Hackathon 项目，通常能跑通核心流程就算成功。但这个项目写了近千个测试，说明作者不是在玩票，而是在认真做工程。

测试覆盖了什么？从项目文档和代码结构看，主要包括：

• 各模块的独立功能测试

• 模块间的集成测试

• 不同语言生态的兼容性测试（支持 TypeScript、Python、Go、Java、PHP、Perl、Kotlin、C++、Rust 等 12 种语言）

• 边界条件和异常处理

另外，项目在 GitHub Marketplace 有 ecc-tools 应用，这意味着它经过了平台的审核流程，不是随便扔上来的脚本。

⚠️ 踩坑提醒：虽然测试覆盖率高，但任何涉及 AI 自主执行操作的工具都有风险。Security 模块能拦截大部分危险操作，但建议在重要项目上先在沙箱环境测试，确认行为符合预期再放开权限。

我怎么看这个项目

Everything Claude Code 解决的是一个真实痛点，而且解决得比较干净。它没有试图重新发明 AI 模型，而是在模型外层套了一层「状态管理」——这个思路是对的。

但我也有几个疑问。第一，Memory 模块的「选择性存储」如何做到足够智能？存什么、不存什么，如果需要人工配置，那维护成本会不会抵消收益？第二，随着模型上下文窗口越来越大（Claude 已经支持 200K Token），Memory 模块的价值会不会被稀释？

这些问题没有标准答案，但值得持续观察。至少目前，对于需要在 AI 编程工具上建立「长期关系」的团队来说，Everything Claude Code 提供了一个可行的方案。

你用 AI 编程助手时，最头疼的是哪件事？是健忘、手生，还是别的什么？欢迎在评论区聊聊。

---

本文首发于 AI Magician 技术博客，同步发布于 Hashnode。如果觉得有用，欢迎分享给你的工程师朋友。