第 11 课：双系统协同策略与内容分工
💡 进群学习加 wx: agentupdate
(申请发送: agentupdate)
(申请发送: agentupdate)
为了获得最佳的开发体验，建议同时开启内置的 auto memory 与第三方的 claude-mem。本课介绍如何进行内容分工，以发挥各自的最大优势。
11.1 三层记忆模型
我们可以将 Claude 的记忆系统视为一个三层模型：
- 硬规则层 (CLAUDE.md)：存储项目宪法。由人编写，每次启动全文加载。适合：编码规范、核心架构图。
- 精选笔记层 (auto memory)：存储 LLM 的主观认知。由 LLM 自动判断或受人启发记录，启动加载前 200 行索引。适合：你的个人偏好、项目核心决策。
- 全量日志层 (claude-mem)：存储所有工作细节。由 Hook 自动捕获，通过 MCP 按需检索。适合：调试日志、具体的修复方案、跨项目经验。
11.2 内容归属决策表
| 内容类型 | CLAUDE.md | auto memory | claude-mem |
|---|---|---|---|
| 代码缩进/命名规范 | ✅ 首选 (人立规矩) | 备选 | ❌ 不建议 |
| 工具偏好 (如 pnpm) | 备选 | ✅ 首选 (LLM 学习) | (自动会记) |
| 项目 DDL 与里程碑 | ❌ 变动频繁 | ✅ 适合 (Project 类) | (自动会记) |
| 具体的 Bug 修复细节 | ❌ 太过冗长 | ❌ (除非极具代表性) | ✅ 首选 (自动捕获) |
| 跨项目通用技巧 | ❌ (隔离) | ❌ (隔离) | ✅ 唯一选择 |
11.3 协同实战示例
场景：学到一个防止 Postgres 并发死锁的技巧。
- auto memory：你对 LLM 说：“记一下，Postgres 处理并发更新时必须先排序 ID，防止死锁。” LLM 写入一条
feedback记忆。下次在该项目启动时，LLM 会立即获得这一核心指导原则。 - claude-mem：Hook 自动记录了你解决该死锁的完整对话摘要。半年后你在另一个项目中遇到了类似现象，你问：“我们之前处理过死锁吗？” LLM 通过
mem-search找回了当时的详细方案，甚至能指出具体的文件路径。
这种协同方式既保证了核心原则的“显意识”加载，又提供了海量细节的“潜意识”检索。