jdon.com 有一篇文章盘点了本周 GitHub 增长最快的 10 个项目，过半数与 AI agent 相关。其中三个项目直接面向 Claude Code 用户：一个教你怎样用配置文件约束 AI 的行为，一个帮 AI 记住上次会话的上下文，一个提供 20 个工程化技能模板。本文解读这三个项目背后的设计思路。
CLAUDE.md：把编码规矩写进配置文件
项目 forrestchang/andrej-karpathy-skills 把 Andrej Karpathy 对 LLM 编程行为的观察浓缩为一份 CLAUDE.md 文件。Claude Code 在每次会话开始时会自动读取项目根目录下的这个文件，然后在整个会话中遵循里面写的规矩。
这份文件只有四条规则，每条都针对 AI 编码时最常见的"坏习惯"：
- 先想再做 （Think Before Coding）：动手之前要把假设说清楚。如果存在多种理解，不能自己偷偷选一个，要列出来让用户决定。拿不准就停下来问，不要猜着往下写。
- 能少就少 （Simplicity First）：只写解决问题需要的最少代码。没要求的功能不加，单次使用的代码不抽象，不可能发生的错误不处理。如果写了 200 行但 50 行就够，那就重写。
- 只改该改的 （Surgical Changes）：改现有代码时，只动跟任务直接相关的部分。不改旁边的注释、不重构没坏的东西、不删别人留下的死代码（除非是你的改动让它变成了死代码）。判断标准：每一处改动都应该能追溯到用户的请求。
- 目标驱动 （Goal-Driven Execution）：把任务转成可验证的目标。"加验证"变成"给非法输入写测试然后让它通过"，"修 bug"变成"写一个能复现的测试然后修好它"。对多步骤任务，先列计划，每步写清楚验证标准。
这四条规则有一个共同的哲学：宁可慢一点、多问一句，也不要自作主张地写出一堆后来要重来的代码。文件本身也坦诚说明了这个取舍：这些规则偏向谨慎而非速度，对于简单任务需要自行判断。
这种做法代表了一个趋势：从"提示工程"（prompt engineering，通过精心措辞的提示词来引导 AI）走向"行为工程"（behavior engineering，通过结构化的规则文件来定义 AI 在整个项目中的行为边界）。提示词是一次性的，每次会话都要重新组织语言；CLAUDE.md 是持久的，写一次就在整个项目周期内有效。
claude-mem：让 AI 记住上次聊了什么
Claude Code 有一个让用户很头疼的问题：每次会话结束后，上下文就清零了。下次打开，AI 对项目的历史、你的偏好、之前踩过的坑一无所知。claude-mem 就是来解决这个问题的。
它的工作原理分三步：
- 自动捕获 ：在会话过程中，自动记录 Claude Code 的工具调用和观察结果。
- AI 压缩 ：用 Claude 自身的 agent-sdk 对记录做语义摘要，把冗长的操作日志压缩成精炼的上下文。
- 按需注入 ：在新会话开始时，把相关的历史上下文注入进去，让 AI "记住"之前的经验。
安装只需要一条命令：
npx claude-mem install
安装后重启 Claude Code，此后每次新会话都能自动获取之前积累的上下文。它还提供了一个本地 Web 界面（默认在 http://localhost:37777），可以浏览所有被记录的观察结果。
值得关注的几个设计细节：
- 渐进式披露 （Progressive Disclosure）：不会一股脑把所有历史都塞进上下文，而是分层加载，同时在界面上显示 token 消耗，让你知道记忆的代价。
- 隐私控制 ：可以用
<private>标签包裹敏感内容，被包裹的内容不会被记录到记忆库中。 - 跨工具支持 ：除了 Claude Code，还支持 Gemini CLI、OpenCode 等工具。
这个项目解决的是一个根本性问题：AI 编码助手目前是"无状态的"（每次对话都不记得之前发生了什么），claude-mem 通过在应用层建立记忆机制来弥补这个缺陷，让 AI 能在多次会话之间积累对项目的理解。
agent-skills：把资深工程师的工作流打包成技能
addyosmani/agent-skills 提供了 20 个技能模板，覆盖从需求定义到上线的完整开发流程。与前两个项目不同，它不是针对某个具体问题（行为约束或记忆持久化），而是试图把资深工程师的工作方法论系统化地教给 AI。
20 个技能按六个阶段组织：
| 阶段 | 对应命令 | 核心原则 |
|---|---|---|
| 定义（Define） | /spec | 先写规格再写代码 |
| 规划（Plan） | /plan | 拆成小而独立的任务 |
| 构建（Build） | /build | 每次只做一个垂直切片 |
| 验证（Verify） | /test | 测试是证明，不是装饰 |
| 审查（Review） | /review | 提升代码健康度 |
| 发布（Ship） | /ship | 越快发布越安全 |
每个技能都有统一的内部结构：概述、触发条件、分步工作流、验证标准，以及一张反借口表（Anti-rationalization，列举 AI 常用的偷懒借口和对应的反驳）。比如在测试驱动开发技能中，表里列着"我晚点再加测试"这个借口，旁边写着反驳："如果你现在不写，你就不会写。测试是设计的一部分，不是事后补的装饰。"
这个项目的设计哲学可以概括为三点：
- 流程而非文档 ：每个技能不是供 AI 阅读的参考手册，而是带检查点和退出标准的工作流。
- 验证不可妥协 ：每个技能都以证据要求结束，"看起来对"从来不等于"对了"。
- 反借口设计 ：承认 AI（和人一样）会偷懒跳步骤，所以把常见的偷懒理由和反驳都写进去。
这些技能中融入了不少来自 Google 工程文化的概念。比如 Hyrum's Law（你 API 的任何可观测行为都会被别人依赖，即使你没承诺过保持它不变），Beyonce Rule（如果你没给它写测试，它就不存在，出了问题自己扛），Chesterton's Fence（不懂为什么存在的代码就不要删，因为删了才发现它其实是在防止某个你看不见的问题）。
三个项目的共同线索
这三个项目虽然解决不同的问题，但都指向同一个方向：AI 编码助手正在从"一次性对话工具"进化为"可持续协作伙伴"。
- CLAUDE.md 解决 行为一致性 问题，通过配置文件让 AI 在整个项目周期内保持稳定的工作方式
- claude-mem 解决 状态连续性 问题，通过跨会话记忆让 AI 能积累对项目的理解
- agent-skills 解决 过程规范性 问题，通过结构化的工作流让 AI 遵循资深工程师的决策习惯
三者组合起来的效果是：AI 知道怎么做事（CLAUDE.md），记得之前做过什么（claude-mem），按照什么流程来做（agent-skills）。这正是把 AI 从"工具"升级为"队友"所需要的基础设施。