#Claude Code · AI 短帖与讨论

🔧 Claude Code/Codex/Cursor的Skill太多了？Skills Hub一键统一管理

你有没有遇到过这种情况：

给Claude Code装了一套Skill，Codex又装了一套，Cursor、OpenCode、Antigravity再各来一份。

用着用着，本地目录就乱了。每个Agent的Skill目录都不一样，手动复制粘贴管理起来很麻烦。

Skills Hub 就是为了解决这个问题而生的。

它是什么？

一个统一的Skill管理器。Skill只安装一次，统一存在 ~/.skillshub 目录下，然后同步给不同的Agent。

现在内置了46个工具适配器，可以自由选择：

• 这个Skill给Claude Code
• 这个给Codex
• 这个项目级启用
• 那个全局启用

核心特性：

1️⃣ 标签系统
给Skill打标签，方便分类管理。比如"代码审查"、"文档生成"、"测试"等。

2️⃣ 批量开关
一键启用或禁用多个Skill，不用逐个操作。

3️⃣ Git更新
支持从Git仓库同步Skill，保持最新版本。

4️⃣ 自动更新
设置自动更新，Skill会定期检查并更新到最新版本。

5️⃣ Symlink优先
优先使用符号链接（symlink/junction），同步不了才复制文件，节省磁盘空间。

适合谁用？

• 多Agent用户：同时使用Claude Code、Codex、Cursor等多个AI编程工具
• Skill收藏家：收集了很多开源Skill，需要统一管理
• 团队协作：团队成员共享同一套Skill配置

个人思考：

这个项目解决了一个很实际的问题。随着AI编程工具越来越多，每个工具都有自己的Skill/Plugin系统，管理起来确实很麻烦。

Skills Hub的思路是：Skill应该是Agent无关的。一个代码审查Skill，不应该只给Claude Code用，应该能同时给Codex和Cursor用。

这种"一次安装，多处使用"的理念，很像Linux的包管理器。只不过这里管理的是AI Agent的Skill。

目前macOS已验证，Windows/Linux作者标的是设计支持但未本地验证，这点先注意。

🧠 给AI编程Agent装上长期记忆：ai-memory项目，不用向量数据库也能做到

你有没有遇到过这种情况：

Claude Code写到一半，退出了。过几个小时再打开Codex继续，它完全不知道之前做了什么。又要从头交代一遍架构、需求、踩过的坑。

这个问题的本质是：AI编程Agent没有长期记忆。

每次新对话都像第一天上班，什么都得重新交代。

ai-memory项目提供了一个简洁的解决方案：把记忆当成纯Markdown文件笔记的Git仓库。

为什么不用向量数据库？

1. 完全透明：所有记忆都是可读的Markdown文件
2. Obsidian可用：直接用Obsidian打开，方便浏览和编辑
3. 完全可控：不想用这个工具了，文档还是你自己的
4. 零依赖：不需要额外的服务或数据库

它是怎么工作的？

1. 自动记录：靠钩子自动把提示词、工具调用、会话节点记下来
2. 写代码的过程就是记录的过程：不需要刻意维护
3. 交接能力：Claude Code退出后，Codex打开会先看到"上回做到哪"

最实用的场景：

• 多工具切换：在Claude Code、Codex、Cursor之间换着用，装一个能省掉重复交代
• 项目交接：新成员加入项目，快速了解之前的决策和踩过的坑
• 个人知识库：积累的开发经验不会随着工具切换而丢失

支持的工具：

Claude Code、Codex、Cursor、Gemini CLI等15种以上

个人思考：

这个项目的价值在于：它把"记忆"从"AI的黑盒"变成了"人的文档"。

很多AI记忆方案是把数据塞进向量数据库，看起来很"AI"，但实际使用中：

• 你不知道它记了什么
• 你没法手动编辑
• 换工具可能就不兼容了

ai-memory的思路是：记忆应该是可读、可编辑、可迁移的。这更接近人类的记忆方式——我们不会用向量数据库来记笔记，我们会用笔记本。

对于经常在多个AI编程工具之间切换的人来说，这个项目值得试试。

📚 Claude Code不只是写代码：一套完整的工作流体系

很多人用Claude Code就是让它写写代码、改改bug。但如果你只把它当一个AI编程助手，那就浪费了它大部分能力。

Claude Code真正强大的地方在于：把CLAUDE.md、Skills、Hooks、Permissions、Memory和Agents组合起来，可以构建一套完整的开发系统。

这套系统能做什么？

1️⃣ 理解你的项目
CLAUDE.md不只是写规则的地方，它让Claude Code真正理解你的项目结构、技术栈和编码习惯

2️⃣ 自动化重复工作
Hooks可以在特定事件触发时自动执行操作，比如每次提交前自动检查代码规范

3️⃣ 多Agent协作
通过Memory和Agents，可以让多个Claude Code实例协作完成复杂任务

实际工作流示例：

• 需求阶段：让Claude Code分析用户故事，拆分成技术任务
• 开发阶段：用Skills扩展功能，用Hooks自动测试
• 审查阶段：用Code Review能力自动检查PR
• 部署阶段：通过Agents协调CI/CD流程

为什么这个思路有价值？

1. 结构化：不是随机的对话，而是有流程的开发
2. 可扩展：每个模块都可以独立定制
3. 自动化：减少手动操作，降低出错概率
4. 协作性：多个Agent可以分工合作

个人思考：

这套思路本质上是把"人用AI工具"变成了"AI团队协作"。Claude Code不再是单个助手，而是一个可以编排的开发平台。

对于团队开发来说，这可能比单个Agent更有价值。每个Agent负责一个环节，通过统一的配置和规则协作。

如果你还在把Claude Code当普通的AI聊天工具用，可以试试这套工作流。可能会发现很多之前没想到的用法。

🧠 AGENTS.md其实是一个神经网络——这个维护思路很优雅

很多人维护AGENTS.md的方式是：Agent犯一次错，就往里补一条规则。

时间久了文件越来越长，旧规则没删，新规则继续加。最后Agent每次都要读一堆已经没用的东西，token浪费严重，效果反而变差。

这篇文章换了个思路：把AGENTS.md当成一个需要"训练"的神经网络。

核心思路：

1️⃣ 每次Session都是一次forward pass
Agent走过的弯路和被你纠正的地方就是loss

2️⃣ 定期做backward pass
从真实session里提取问题，小幅更新AGENTS.md

3️⃣ 给固定Token budget
新增一条规则，就要考虑删掉或移走什么

具体怎么做？

作者开源了一个叫backpass的工具，可以自动完成这个过程：

• 分析最近的session记录
• 提取Agent犯错的地方和你的纠正
• 生成AGENTS.md的修改建议（新增/删除/更新）
• 你Review后合并

为什么这个思路好？

1. 数据驱动：基于真实session，不是凭感觉
2. 有增有减：强制token budget，避免无限膨胀
3. 自动提取：不用手动整理，工具帮你做
4. 渐进优化：每次只改一点点，风险可控

实际效果：

• AGENTS.md保持精简有效
• Agent不再读一堆无用规则
• 每次改进都有数据支撑

个人思考：

这个思路本质上是把"人工维护配置"变成了"自动训练模型"。虽然AGENTS.md还是文本，但维护方式已经接近机器学习了。

很多Agent现在缺的就是这种持续进化的能力。每次session都积累了很多反馈，但下一次又像第一次来上班一样。

如果你也在用Claude Code或Codex，可以试试这个思路。让Agent越用越懂你，而不是每次都要重新教。