最近一段时间，我越来越依赖 AI 辅助开发。

从最开始用 ChatGPT 查询问题，到后来使用 Claude Code、Codex CLI 直接参与项目开发，AI 已经逐渐成为我的日常开发工具。

但是在使用过程中，我遇到了一个比较明显的问题：

不同 AI 工具之间，像是互不认识。

比如：

我在 ChatGPT 里聊过：

我的开发环境是 Windows 11，主要使用 PowerShell，不希望默认使用 WSL。

也聊过：

我的服务器是 Oracle Cloud VPS，资源有限，部署方案要优先考虑轻量。

但是打开 Claude Code：

它不知道。

切换到 Codex CLI：

它也不知道。

每次开始新的对话，都需要重新介绍：

我的电脑环境；
我的技术栈；
我的代码习惯；
我的项目背景。

这让我意识到：

现在 AI 的能力已经很强，但是缺少一个属于自己的长期上下文。

于是我开始尝试建立一个自己的 AI 知识库，让 Claude Code 和 Codex CLI 共享同一套信息。

一、为什么 AI 需要“记忆”？

很多人使用 AI 时，关注的是模型能力：

比如：

GPT 更聪明还是 Claude 更强；
哪个模型写代码更好；
哪个工具速度更快。

但是实际使用下来，我发现：

影响体验的不只是模型能力，还有上下文。

同一个问题：

“我的项目应该使用什么数据库？”

如果 AI 不知道你的情况，它只能给通用答案。

但是如果它知道：

你的服务器只有 1GB 内存；
你主要使用 Node.js；
你希望降低维护成本；
你倾向简单方案；

它给出的建议会完全不同。

所以：

好的 AI 助手，不只是回答问题，而是理解你的工作环境。

二、为什么不直接依赖 AI 自带记忆？

最开始我也考虑过：

能不能直接让 Claude Code 或 Codex CLI 自己记住？

但后来发现，这种方式有几个问题。

第一，不同 AI 之间无法共享

每个工具都有自己的上下文体系。

例如：

ChatGPT 有 Memory；
Claude Code 使用 CLAUDE.md；
Codex CLI 使用 AGENTS.md。

它们之间并不会自动同步。

今天积累在 Claude 里的经验，换到 Codex 可能就消失了。

第二，重要信息应该属于自己

开发环境、项目经验、技术决策，这些其实都是自己的资产。

比如：

为什么选择某个框架？

为什么不用某个方案？

以前遇到过什么坑？

这些信息不应该绑定某一个 AI 平台。

所以我的思路变成：

不让 AI 保存我的记忆，而是我自己维护一份知识库，让 AI 去读取。

三、建立自己的 AI 知识库

我创建了一个独立目录：

AI-context

├── hardware.md
├── servers.md
├── coding.md
├── projects.md
└── decisions.md

它就是所有 AI 的共享上下文。

四、记录我的硬件环境

文件：

hardware.md

保存电脑配置。

例如：

# Hardware

主力电脑：

CPU:
AMD Ryzen 5 5600GT

内存:
32GB

显卡:
GTX 1060 3GB


系统:

Windows 11
Ubuntu 24.04

为什么需要记录？

因为很多开发建议和硬件相关。

例如：

部署本地服务。

如果 AI 知道你的机器配置，就不会推荐完全不适合的方案。

五、记录服务器环境

文件：

servers.md

例如：

# Servers

Oracle Cloud VPS

系统:

Ubuntu

用途:

- Docker
- Cloudflare Tunnel
- API 服务


限制:

- 内存较小
- 优先选择轻量方案

这个非常重要。

很多 AI 默认假设：

“服务器资源无限”。

但实际开发中：

可能只是一个 1GB 内存的小 VPS。

提前告诉 AI，它才能给出符合现实的方案。

六、记录自己的编码习惯

文件：

coding.md

例如：

# Coding Style

常用技术：

- JavaScript
- TypeScript
- React
- Next.js
- Node.js


代码习惯：

- 优先最小修改
- 保留已有注释
- 不随意重构
- 不随意升级依赖

这个可以明显改善 AI 写代码的风格。

否则很多 AI 会倾向：

“发现问题 → 大规模重构”。

但实际项目里：

很多时候只需要改几行代码。

七、记录项目背景和技术决策

除了项目信息，我觉得最有价值的是：

技术决策记录。

文件：

decisions.md

例如：

# Decisions

选择 Fastify 作为 API 框架。

原因：

- 性能较高
- 资源占用低
- 更适合小型服务器

代码只能告诉 AI：

“现在是什么样”。

但是无法告诉 AI：

“为什么这样设计”。

记录决策后，AI 后续修改项目时，会更加符合原来的方向。

八、让 Claude Code 和 Codex CLI 读取同一份知识库

有了知识库，还需要让 AI 使用它。

Claude Code

创建：

~/.claude/CLAUDE.md

内容：

请参考我的 AI 知识库：

@D:\AI-context\hardware.md

@D:\AI-context\servers.md

@D:\AI-context\coding.md

@D:\AI-context\projects.md

@D:\AI-context\decisions.md

Codex CLI

创建：

~/.codex/AGENTS.md

内容：

我的共享上下文：

D:\AI-context\hardware.md

D:\AI-context\servers.md

D:\AI-context\coding.md

D:\AI-context\projects.md

D:\AI-context\decisions.md

这样两个工具使用的是同一套信息。

九、这样做之后有什么变化？

以前：

打开 Claude Code：

请介绍一下你的项目环境。

打开 Codex：

你的技术栈是什么？

现在：

它们可以直接知道：

我的系统环境；
我的开发工具；
我的技术偏好；
我的服务器情况；
我的代码习惯。

最大的变化不是 AI 变聪明了。

而是：

它终于开始理解我的工作方式。

十、未来的 AI 编程助手应该是什么样？

我认为未来 AI 编程工具竞争的不只是模型能力。

模型能力会越来越接近。

真正拉开差距的是：

谁更了解用户。

一个优秀的 AI 助手应该知道：

你的环境；
你的习惯；
你的项目；
你的历史决策。

模型提供能力。

上下文提供经验。

总结

目前我比较推荐的 AI 编程工作流：

                 AI-context
                     |
        -----------------------------
        |                           |
    Claude Code                Codex CLI

    CLAUDE.md                  AGENTS.md

核心思想：

不要让每个 AI 工具分别建立记忆。

建立一个属于自己的知识库，让所有 AI 共享。

这样以后：

更换 AI 工具；
更换电脑；
更换模型；

都不需要重新培养一个助手。

真正属于自己的 AI 编程助手，不应该只是一个会写代码的工具。

它应该是一个越来越了解你的长期合作伙伴。

让 Claude Code 和 Codex CLI 共享记忆：我的 AI 编程工作流实践