🎯 学习目标

完成本章后，你将能够：

• ✅ 理解 短期上下文 (Context Window) 与 长期记忆 (Long-term Memory) 的区别与协作机制。
• ✅ 熟练操控 project_context.md 和 user_preferences.md，注入关键项目知识。
• ✅ 掌握 上下文压缩 与 摘要策略，在有限 Token 内保留核心信息。
• ✅ 学会手动干预记忆系统，纠正 AI 的错误认知，防止“幻觉”累积。
• ✅ 设计一套高效的对话清理与重启流程，保持会话“轻装上阵”。

---

7.1 Claude Code 记忆系统：长期记忆与项目上下文

Claude Code 不仅仅是“聊完即忘”的聊天机器人。它通过文件系统持久化存储关键信息，形成了独特的混合记忆架构。

🏗️ 记忆系统架构解析

记忆类型	存储位置	生命周期	作用	更新方式
会话上下文	内存 (RAM)	当前会话有效	记录当前的对话历史、未完成的代码块、临时变量。	自动追加，随 /clear 或退出清除。
项目记忆	.claude/memory/project_context.md	永久 (直到手动删除)	记录项目架构、技术栈、关键决策、目录结构、业务逻辑。	AI 自动总结 + 用户手动编辑。
用户偏好	.claude/memory/user_preferences.md	永久 (全局或项目级)	记录你的编码风格、常用命令、回复偏好、禁忌事项。	AI 自动学习 + 用户手动配置。
技能库	.claude/skills/	永久	存储可复用的脚本、Prompt 模板、工作流定义。	用户创建/导入。

📝 核心文件深度解读

1. project_context.md：项目的“维基百科”

这是 AI 理解你项目的基石。

• 包含内容：
  • 架构概览：前端用 React，后端用 FastAPI，数据库用 PostgreSQL。
  • 关键路径：入口文件在哪，配置文件在哪，核心逻辑在哪。
  • 业务规则： “所有金额计算必须精确到小数点后两位”，“用户密码必须加盐哈希”。
  • 历史决策： “2024-03-01 决定弃用 Redux，改用 Zustand”。
• 如何生效：每次新会话启动时，Claude Code 会自动读取此文件，将其作为“系统预设知识”加载到上下文中。

2. user_preferences.md：你的“私人助理手册”

• 包含内容：
  • 代码风格： “喜欢函数式编程”，“变量命名用 camelCase”，“注释用中文”。
  • 交互习惯： “解释代码时要简洁”，“报错时先给解决方案再给原因”。
  • 禁忌： “不要使用 any 类型”，“不要自动安装依赖”。
• 价值：避免每次会话都要重复唠叨“请用 TypeScript”、“别写废话”。

🛠️ 记忆管理实战技巧

技巧 1：手动注入“黄金知识”

AI 自动总结的记忆可能不够精准。你可以直接编辑 .claude/memory/project_context.md，强行写入关键信息。

示例：

## ⚠️ 重要安全规范
- 严禁在任何日志中打印用户明文密码。
- 所有外部 API 调用必须经过 `AuthService` 进行签名验证。
- 数据库连接字符串必须从 `process.env.DATABASE_URL` 读取。

效果：AI 在后续所有代码生成中都会严格遵守这些红线。

技巧 2：定期“修剪”记忆

记忆文件不是越大越好。过时的信息会干扰 AI 判断。

• 操作：每隔一段时间（如每个 Sprint 结束），打开记忆文件，删除已废弃的功能描述、旧的技术栈引用。
• 命令辅助：

  “请检查当前的 project_context.md，列出其中可能过时的信息（如已删除的模块、旧版依赖），并建议删除哪些部分。”

技巧 3：利用 /memory 命令动态管理

• /memory show：查看当前加载的记忆内容。
• /memory add "新的业务规则..."：在不打开文件的情况下，直接追加记忆。
• /memory clear：清空记忆（慎用！通常只用于测试）。

⚠️ 常见陷阱：记忆污染

• 现象：AI 坚持认为项目使用旧框架，或者坚持错误的业务逻辑。
• 原因：早期对话中的错误信息被写入了记忆文件，且未被修正。
• 解决：
  1. 打开 .claude/memory/project_context.md。
  2. 找到错误段落，手动修正或删除。
  3. 在对话中明确告知 AI：“我已更新项目记忆，请忽略之前关于 X 的描述，以新记忆为准。”

---

7.2 优化上下文窗口：如何保持对话的高效性

大模型的上下文窗口（Context Window）虽然很大（如 200k tokens），但并非无限。填满的上下文 = 变慢的速度 + 更高的成本 + 潜在的注意力分散。

📉 为什么需要优化？

1. 成本：输入 Token 越多，API 调用费用越高。
2. 速度：处理长上下文需要更多计算时间，响应变慢。
3. 注意力稀释：过多的无关信息会让 AI 难以聚焦核心任务，导致“迷失中间”现象（Lost in the Middle）。

🚀 优化策略大全

策略 1：精准排除 (Exclusion Patterns)

在 .claude-code.json 中配置 exclude_patterns，从源头阻断无用文件进入上下文。

"context": {
  "exclude_patterns": [
    "node_modules/**",
    "dist/**",
    "*.log",
    "*.min.js",
    "coverage/**",
    ".git/**",
    "docs/old-api-specs/**" // 明确排除旧文档
  ]
}

效果：AI 永远不会主动读取这些文件，除非你显式 /cat 它们。

策略 2：主动清理 (/clear 的艺术)

不要在一个会话中聊到天荒地老。

• 何时清理：
  • 完成一个大模块开发后。
  • 切换完全不同的任务主题时（如从“写后端 API”切换到“写前端 CSS”）。
  • 发现 AI 开始胡言乱语或重复啰嗦时。
• 操作方法：
  1. 先让 AI 总结当前进度：“请将我们刚才完成的功能点和待办事项总结成一段话。”
  2. 将总结复制到剪贴板，或确认已存入 project_context.md。
  3. 输入 /clear。
  4. 开启新话题：“基于刚才的总结（粘贴总结），我们现在开始做下一件事…”

策略 3：引用而非包含 (Reference vs. Include)

• ❌ 低效做法：把整个 utils.js 文件内容粘贴到 Prompt 里问问题。
• ✅ 高效做法：

  “请参考 src/utils.js 中的 formatDate 函数逻辑，为 src/helpers.js 编写一个类似的 formatCurrency 函数。”
  原理：Claude Code 会自动按需读取文件，只将相关片段加载到上下文中，而不是全量加载。

策略 4：摘要压缩 (Summarization)

对于长对话历史，使用 AI 自身的能力进行压缩。

• 指令：

  “我们之前的对话太长了。请将过去 50 轮对话的核心决策、代码变更和遗留问题，压缩成 200 字的摘要。我将用这个摘要开启新会话。”

• 应用：将生成的摘要作为新会话的开场白，瞬间恢复上下文，同时释放 90% 的 Token 空间。

策略 5：分治法 (Divide and Conquer)

面对超大型任务（如“重构整个项目”），不要试图在一个上下文中完成。

• 方法：
  1. 创建多个独立的会话窗口（Terminal Tab）。
  2. 会话 A 专攻 src/auth 模块。
  3. 会话 B 专攻 src/payment 模块。
  4. 每个会话只加载相关文件的上下文，互不干扰。

📊 上下文健康度自检清单

在长对话过程中，定期问自己：

• AI 是否开始重复之前的回答？
• AI 是否忽略了最近的指令，反而去执行很早之前的建议？
• 响应时间是否明显变慢？
• Token 消耗是否异常激增？

如果以上任一答案为 是，请立即执行 /clear + 摘要重启 流程。

---

🧪 动手练习：掌控记忆与上下文

练习 1：构建项目知识库

1. 打开 .claude/memory/project_context.md。
2. 手动添加三段关键信息：
   • 项目的核心业务目标（一句话）。
   • 当前使用的关键技术栈版本（如 Node v18, React v18）。
   • 一条不可违反的安全红线。
3. 启动新会话，询问 AI：“这个项目的主要技术栈和安全红线是什么？”
4. 验证 AI 能否准确回答。

练习 2：上下文压缩实验

1. 进行一轮长对话（约 20 轮），涉及代码生成、修改、调试。
2. 记录当前会话的 Token 消耗（如果终端显示）或估算长度。
3. 指令 AI：“请总结本次会话的所有关键产出和待办事项，压缩至 300 字以内。”
4. 执行 /clear。
5. 将总结发给 AI，继续一个新任务。
6. 对比清理前后的响应速度和准确度。

练习 3：排除规则测试

1. 在项目中新建一个大文件 big-data.log (填入大量随机文本)。
2. 确保 .claude-code.json 中排除了 *.log。
3. 问 AI：“请分析 big-data.log 的内容。”
4. 预期结果：AI 应拒绝读取或提示文件被排除，而不是尝试分析（这证明排除规则生效，节省了上下文）。
5. 然后尝试 /cat big-data.log，验证手动强制读取是否可行。

---

❓ 常见陷阱与解答 (FAQ)

问题	原因分析	解决方案
AI 总是忘记之前的约定	约定只在对话历史中，未写入长期记忆；或对话太长被挤出上下文。	将重要约定写入 project_context.md 或 user_preferences.md。
Token 消耗过快	包含了大量无关文件（如 node_modules）；或未定期 /clear。	检查 exclude_patterns；养成每完成一个任务就 /clear 的习惯。
记忆文件冲突	多人协作时，每个人修改记忆文件导致冲突。	约定只有 Tech Lead 可修改核心记忆文件，或使用 Git 分支管理记忆文件。
AI 读取了不该读的文件	文件名未在排除列表中，或被 /cat 强制读取。	完善排除列表；敏感文件放入 .gitignore 并设置权限禁止 AI 访问（需底层支持）。

---

📝 本章小结

• 记忆系统是 AI 的“海马体”：通过 project_context.md 和 user_preferences.md 实现知识的持久化，让 AI 越用越懂你。
• 上下文窗口是稀缺资源：必须通过 排除规则、定期清理、摘要压缩 和 分治策略 来精细化管理。
• 主动干预是关键：不要完全依赖 AI 自动管理记忆，人工定期修剪和注入“黄金知识”能显著提升效果。
• 健康度自检：时刻关注响应速度和准确性，及时重启会话，保持 AI“头脑清醒”。

🚀 下一步预告：
拥有了记忆和高效的上下文管理后，我们将进入 第 8 章：技能系统 (Agent Skills)，学习如何将常用的复杂操作封装成“一键技能”，让 AI 真正变成你的超级工具箱！