项目记忆管理
将以下提示词粘贴到你的 AI 对话框中：
请根据 https://skillhub.cn/install/skillhub.md，安装 @user_69484e35/memoryrz2r。
技能介绍
要解决的问题
AI Agent 在多轮工程协作中容易把架构、决策和阶段性状态混在聊天记录里。上下文变长后，模型可能重复询问已确认方案、丢失约束条件，或把过程讨论当成事实记忆。项目记忆管理需要一套稳定文件，而不是依赖单次对话窗口。
技能如何工作
该技能围绕 .memory/ 目录建立三个操作：/memory.summarize 将当前对话压缩为结构化摘要，去掉情绪和无关推导；/memory.update 按规则写入 project.md、context.md、decisions.md、tasks.md 和 logs/YYYY-MM-DD.md，只保留架构、决策、约束；/memory.bootstrap 在新会话按顺序读取文件并输出上下文摘要。
关键原则是：context.md 永远小于 200 行，只替换最新状态；决策必须带日期；logs/ 作为原始材料不主动读取。文件路径始终相对于项目根目录，结构保持固定标题，便于后续工具稳定读取。
适用边界
它适合长期维护、有明确技术栈和决策记录的需求。对于一次性脚本、纯闲聊或没有项目边界的临时任务，记忆文件会增加维护成本。使用时需要注意不要让 context.md 无限增长，也不能把日志中的过程讨论当作当前事实。
使用场景
- 在长对话接近上下文上限前，把当前架构、进展和待办压缩为可写入 .memory 的结构化摘要。
- 每次新开对话时，按 project.md、context.md、decisions.md 顺序恢复项目上下文并继续任务。
- 阶段完成后将技术栈变化、明确决策和任务状态更新到 .memory 固定文件，避免重复沟通。
- 维护长期 AI 辅助项目时，把过长的 context.md 压缩到 200 行内，并追加带日期的决策记录。
适合人员
- 长期用 AI Agent 辅助重构模块的后端工程师，需要把架构约束和阶段进展沉淀到项目记忆文件。
- 负责跨仓库技术方案的架构师，需要在新会话中恢复已确认的技术决策与当前阻塞点。
- 用 Cursor 做多轮调试的前端工程师，需要在上下文变长前保存任务状态和上下文摘要。
- 维护内部 Agent 工作流的平台工程师，需要为团队统一 .memory 目录结构和上下文恢复流程。
相关技能
基于诊断、结构分层、设计模式与指令精简，优化现有 Skill 的触发、流程与 Token 消耗。
基于 STOM 方法论审计任意 SKILL.md 的规模、密度、分层、架构与弱模型适配性，并给出可执行的瘦身优化方案。
Agent 驱动的思考涟漪引擎，适合深度推演、头脑风暴和超长任务降级执行；通过多轮真实推理、新颖性自评、状态持久化与断点续跑，只输出高价值发现。
将模糊需求转化为包含角色、任务、上下文、约束的结构化提示，仅输出可直接使用的 Prompt，不执行任务。