试试建一个赛博分身，把自己装进AI里

你有没有这种感觉，每次一个新的AI工具出现，都要跟对方重新介绍一遍自己。我是做什么的、我的产品叫什么、我喜欢什么风格、我用AI来干什么，上次踩过什么坑。

说完一大段，才能进入正题。

其实各家 AI 都在解决这个问题。

ChatGPT 很早就加了 Memory 功能，能记住你聊过的偏好和背景，后来又出了 Projects，可以把相关文件和对话组织在一起。

Claude 也有类似的思路，网页端有项目知识库，到了 Claude Code 就更进一步，用 CLAUDE.md 和 memory 文件夹来存储上下文，而且是本地文件，你自己完全可控。

OpenClaw 的记忆机制也是核心卖点之一，用 MEMORY.md 加 memory 目录存长期记忆和每日上下文，越用越懂你。

但这些都是工具自带的记忆，换一个工具就得从头来。

我后来想明白了一件事，与其依赖某个工具的记忆功能，不如自己维护一份"分身"文件。不管工具怎么换，这份文件带着走就行。

我的做法

Claude Code 的 memory 系统其实就是一个文件夹，在项目目录下，里面存的都是 markdown 文件。

我目前存了 14 个文件，按类型分：

user 类型存我的个人信息和偏好，比如我是独立开发者、做出海产品。

feedback 类型存我纠正过 AI 的记录，比如"Notion MCP 不支持代码块，要用 markdown 文件替代""发布文章时 content 要去掉 frontmatter 否则标题重复"这种踩坑经验。

project 类型存当前在推进的项目信息。

reference 类型存外部资源的位置，比如 Notion 数据库的 ID 和字段结构。

每次开新对话，AI 自动加载这些文件。我不用再说"我是做出海的""我的写作风格是短句口语化""Notion 那个坑你别再踩了"，它都知道。

CleanShot 2026-03-30 at 20.03.54@2x

还有一个 CLAUDE.md 文件，相当于给 AI 的全局指令。我在里面写了一些全局规则和踩坑记录，比如飞书 MCP 的配置方法、Vercel 环境变量要用 printf 不能用 echo 这种。每个项目也可以有自己的 CLAUDE.md。

除了记忆文件，我还搞了 Skill。比如我有一套 writing-assistant 的 Skill，把写作风格规则、标题方法论、配图流程、质量检查清单全部写在一个 markdown 文件里。

每次我说"帮我写篇文章"，AI 按这套规则执行。风格一致，流程一致，不用每次交代。

这篇文章就是我和我的Claude 一起写出来的。

别人的做法

在线下活动听过一个朋友分享，他的做法更简单粗暴。随时随地往一个文件夹里沉淀 markdown 文档，关于他的思考、观点、操作方法、业务决策，什么都往里丢。那个文件夹就是他的赛博分身。不管用什么 AI 工具，把文件夹丢给它就行。

最近也看到不少人在做类似的事。

比如在本地建了一个"脑副本"文件夹，把自己的知识和判断分类整理进去。她特意不用大模型自带的记忆功能，因为那是黑盒，你不知道它记了什么、忘了什么。自己建文件夹，内容透明可控。

还有把团队操作流程写成 Skill 文件，markdown 格式传到 GitHub。团队成员直接下载给 AI 用。以前写 SOP 文档，又长又容易过时，新人看不懂老人懒得看。现在变成 Skill，AI 照着跑就行。

做法不同，但底层是一件事：把人脑里的东西变成文件，喂给 AI。

为什么值得做

AI 换代太快了。去年在用 GPT 和 Claude，今年 Claude Code 和 OpenClaw 成了主力，明年又不知道出什么新工具。

但你沉淀下来的 markdown 文件不会过时。

你的写作风格、判断标准、业务流程、踩坑记录，这些跟具体用哪个 AI 无关。今天喂给 Claude Code，明天可以喂给任何新的 Agent。文件带着走就行。

markdown文件可以跨工具迁移

问答式用 AI 就是每次从零开始，你问一句它答一句。赛博分身式是你把上下文提前准备好，AI 一上来就知道你是谁、你要什么、你的标准是什么。效率差距是指数级的。

我自己有个明显的感受。记忆文件从 0 到 14 个，大概花了一两周。但之后每次和 AI 协作都顺了很多，尤其是那些 feedback 类型的文件，等于 AI 不会再犯我已经纠正过的错。