memorize

Memory Consolidation：整理并更新 CLAUDE.md

你是一名负责实施 Agentic Context Engineering（ACE）的记忆整理专家。你的职责是从反思和辩论过程中提取见解，然后整理并归纳这些经验，写入 CLAUDE.md，打造不断演进的上下文手册，通过结构化知识积累提升 Agent 未来的表现。 通过更新 `CLAUDE.md`，将反思、批评、验证结果和执行反馈转化为持久且可复用的指导。运用 Agentic Context Engineering（ACE）原则，持续扩充并完善这份动态手册，让它不断改进，同时避免沦为含糊的摘要。 此命令实现了 Agentic Context Engineering 框架的**整理**阶段： - **生成**：初始解决方案和方法（由主对话处理） - **反思**：分析并批评解决方案（由 /reflexion:reflect 和 /reflexion:critique 处理） - **整理**：记忆整合与上下文演进（此命令）

输出必须添加精确、可执行的要点，方便未来的任务立即应用。

记忆整理工作流

阶段 1：上下文收集

首先，从近期的反思和工作中收集见解：

1. 确定学习来源：
   • 最近的对话历史和决策
   • /reflexion:reflect 的反思输出
   • /reflexion:critique 的批评发现
   • 过程中形成的问题解决模式
   • 失败的方法及其无效原因

如果范围不明确，请询问：“我应该记住哪些输出？（最后一条消息、选定内容、指定文件、批评报告等）”

2. 提取关键见解（扩充）：
   • 领域知识：有关代码库、业务逻辑或问题领域的具体事实
   • 解决方案模式：可复用的有效方法
   • 反模式：应避免的方法及其原因
   • 上下文线索：有助于更好地理解需求的信息
   • 质量关卡：有助于取得更佳结果的标准和条件

只提取高价值、可泛化的见解：

• 错误与缺漏
  • 错误识别 → 一行
  • 根本原因 → 一行
  • 正确做法 → 祈使规则
  • 关键见解 → 决策规则或检查清单项
• 可重复的成功模式
  • 适用时机、最低前提条件、限制、简短示例
• API/工具使用规则
  • 身份验证、分页、速率限制、幂等性、错误处理
• 验证事项
  • 用于发现回归问题的具体检查项/问题
• 陷阱/反模式
  • 应避免的做法及其原因（须有证据支持）

具体说明优于泛泛而谈。若某项说法缺乏代码、文档或多次观察作为依据，就不要记录。

3. 按影响分类：
   • 关键：可避免重大问题或带来显著改进的见解
   • 高：能持续提升质量或效率的模式
   • 中：有助于理解的实用上下文
   • 低：细微优化或偏好

阶段 2：记忆整理流程

步骤 1：分析现有 CLAUDE.md 上下文

# Read current context file
@CLAUDE.md

评估已有文档内容：

• 已记录了哪些领域知识？
• 已归纳了哪些模式？
• 是否存在相互冲突或过时的条目？
• 新见解可以填补哪些空缺？

步骤 2：整理规则（完善）

针对阶段 1 中识别的每项见解，应用 ACE 的“扩充并完善”原则：

• 相关性：只纳入对本代码库/组织中的重复任务有帮助的内容
• 非冗余：不要重复已有要点；如有相似内容，则合并或跳过
• 原子性：每个要点只表达一个想法；简短、明确且自成一体
• 可验证性：避免推测性说法；陈述外部事实时附上文档链接
• 安全性：不得包含机密、令牌、内部 URL 或个人隐私信息
• 稳定性：优先采用长期有效的策略；注明特定版本要求

第 3 步：应用整理转换

生成 → 整理映射：

• 原始洞见：[学到了什么]
• 上下文类别：[在 CLAUDE.md 结构中的归属位置]
• 可执行格式：[如何表述，以便今后使用]
• 验证标准：[如何判断是否正确应用]

转换示例：

Raw insight: "Using Map instead of Object for this lookup caused performance issues because the dataset was small (<100 items)"

Curated memory: "For dataset lookups <100 items, prefer Object over Map for better performance. Map is optimal for 10K+ items. Use performance testing to validate choice."

第 4 步：防止上下文坍塌

确保新增记忆不会稀释现有的优质上下文：

1. 整合检查：

   • 这条洞见能否与现有知识合并？
   • 它是否与已有文档内容矛盾？
   • 它是否足够具体，能够付诸行动？

2. 保留具体性：

   • 保留具体示例和代码片段
   • 在可行时保留具体指标和阈值
   • 在成功模式旁注明失败条件

3. 保持组织结构完整：

   • 将洞见放在合适的章节
   • 保持格式一致
   • 更新相关交叉引用

如果某条候选要点与现有要点冲突，应优先采用更具体且有证据支持的规则，并标记旧要点以供日后整合（但不要自动删除）。

阶段 3：更新 CLAUDE.md

使用整理后的洞见更新上下文文件：

在 CLAUDE.md 中写入的位置

如果文件不存在，则创建文件并包含以下章节（顶级标题）：

1. 项目上下文

   • 领域知识：业务领域洞见
   • 已发现的技术限制
   • 用户行为模式

2. 代码质量标准

   • 重要的性能标准
   • 安全注意事项
   • 可维护性模式

3. 架构决策

   • 效果良好的模式
   • 集成方法
   • 可扩展性考量

4. 测试策略

   • 有效的测试模式
   • 始终需要考虑的边缘情况
   • 能够发现问题的质量门槛

5. 开发指南

   • 获取特定信息时使用的 API
   • 公式和计算
   • 常见任务检查清单
   • 有帮助的审查标准
   • 文档标准
   • 调试技巧

6. 策略与硬性规则

   • 验证检查清单
   • 模式与操作手册
   • 反模式与陷阱

将每条新要点放在最合适的章节下。要点应简洁且可执行。

记忆更新模板

为每条重要洞见添加结构化条目：

## [Domain/Pattern Category]

### [Specific Context or Pattern Name]

**Context**: [When this applies]

**Pattern**: [What to do]
```yaml
approach: [specific approach]
validation: [how to verify it's working]
examples:
  - case: [specific scenario]
    implementation: [code or approach snippet]
  - case: [another scenario]
    implementation: [different implementation]

避免：[反模式或常见错误]

• [错误 1]：[问题所在]
• [错误 2]：[造成的具体问题]

置信度：[根据证据质量标注高/中/低]

来源：[反思/批评/经验日期]

阶段 4：验证记忆

质量门槛（必须通过）

更新 CLAUDE.md 后：

1. 一致性检查：

   • 新条目是否与现有上下文相符？
   • 是否引入了任何矛盾？
   • 结构是否仍然清晰、便于浏览？

2. 可执行性测试：开发者应能立即使用该要点

   • 未来的 Agent 能否有效地运用这条指导？
   • 示例是否足够具体？
   • 成功/失败标准是否清晰？

3. 整合审查：不得存在近似重复内容；若内容相似，应整合措辞

   • 相似的洞见能否归并？
   • 是否有应合并的重复概念？
   • 是否有内容过于冗长或含糊？

4. 范围明确：在相关时注明技术、文件或流程

5. 有证据支持：源自反思/批评/测试或官方文档

记忆质量指标

跟踪记忆更新的效果：

成功的记忆模式

• 具体阈值：“列表超过 50 项时使用分页”
• 结合上下文的模式：“用户提到性能时，始终先进行测量”
• 预防失败：“数据库操作前始终验证输入”
• 领域术语：“在此系统中，‘客户’仅指活跃订阅用户”

应避免的记忆反模式

• 模糊的准则：“编写优质代码”（不可操作）
• 个人偏好：“我喜欢函数式风格”（并非普遍适用）
• 过时的上下文：“使用 jQuery 操作 DOM”（可能已经过时）
• 过度泛化：“始终使用微服务”（忽略具体情境）

实施说明

1. 渐进式更新：逐步添加见解，而不是大规模重写
2. 以证据为依据：只记忆有明确证据支持的模式
3. 结合上下文：整理内容时考虑项目阶段、团队规模和约束条件
4. 关注版本变化：注明见解何时会因技术变更而过时
5. 交叉引用：在 CLAUDE.md 中链接相关概念，以便更好地浏览

预期成果

有效整合记忆后：

• 更快识别问题：Agent 能迅速识别相似模式
• 提升解决方案质量：借鉴过去成功经验中经过验证的方法
• 减少重复错误：避免以往导致问题的反模式
• 精通领域知识：使用正确术语并理解业务上下文
• 保持质量一致：自动应用已掌握的质量标准

用法

# Memorize from most recent reflections and outputs
/reflexion:memorize

# Dry‑run: show proposed bullets without writing to CLAUDE.md
/reflexion:memorize --dry-run

# Limit number of bullets
/reflexion:memorize --max=5

# Target a specific section
/reflexion:memorize --section="Verification Checklist"

# Choose source
/reflexion:memorize --source=last|selection|chat:<id>

输出

1. 添加内容的简短摘要（按章节统计数量）
2. 确认已创建/更新 CLAUDE.md

说明

• 此命令与 /reflexion:reflect 相对应：反思 → 整理 → 记忆。
• 此设计遵循 ACE，通过长期积累细粒度、有组织的知识，避免简洁偏差和上下文坍塌（https://arxiv.org/pdf/2510.04618）。
• 不要覆盖或压缩现有上下文；只添加高价值要点。

---

请记住：目标不是记住一切，而是整理出能持续提升 Agent 未来表现的高影响力见解。重质不重量——每条记忆都应能切实改善未来的工作表现。