开源洁癖技能让智能体越用越聪明

在AI辅助开发的日常中，我们常常会遇到一个令人头疼的问题：项目初期文档清晰、记忆整洁，但随着功能迭代和Bug修复，代码库越来越庞大，而配套的文档和AI记忆却逐渐“腐化”，变得过时甚至矛盾。这直接导致了一个普遍现象——你的AI助手似乎越用越“笨”，给出的建议开始偏离实际，甚至犯下一些莫名其妙的错误。

问题的根源，往往不在于模型本身，而在于我们疏于维护的“知识环境”。今天要分享的，就是一个为解决此问题而生的工具：一个名为“洁癖”的Skill。它经过一个多月的迭代，如今已相当稳定，其核心任务非常简单：在你完成一次开发对话后，自动帮你审查并更新整个项目的文档体系和记忆文件，确保一切信息都与最新的代码状态同步。

这个Skill的名字听起来或许有些随意，但其功能却非常务实。在公司内部和一些合作伙伴试用后，反馈都相当积极。它的工作流程是这样的：每当你在Agent（如Claude Code、Codex等）中完成一个功能或修复一个Bug后，只需调用这个Skill，说一句“帮我全面审查一下”或直接输入指令 /neat。接下来，它会自动扫描项目中的所有文档和记忆，根据本次对话的内容，迭代更新需要修改的文档、记忆以及关键的CLAUMD.md文件。在清理完毕后，它还会生成一份清晰的变更摘要，让你一目了然地知道具体改动了什么。

目前，这个Skill在四个主流平台上都能安装使用：Claude Code、Codex、OpenCode和OpenClaw。可以说，它已经成为我个人日常开发中使用频率最高的工具，没有之一。现在，每次结束一个任务窗口前，如果不执行一遍/neat，总会觉得少了点什么，甚至有点“如坐针毡”。

为什么需要“洁癖”？

开发这个Skill的初衷，源于一个非常普遍且具体的痛点。许多开发者，尤其是借助AI进行“氛围编程”（vibe coding）的非专业程序员，都曾经历过类似场景：项目代码已经迭代了七八个版本，新功能上了无数个，但项目文档却还停留在最初的1.0.0版本。这不仅发生在AI协作项目中，许多公司内部项目的文档也难逃此命运——前期雄心壮志，规范清晰，几个月后便无人问津。

我自己就曾在一个项目中吃过亏。当时在开发“AIHOT AI热点监控系统”时，为了后续封装成CLI工具供更多人使用，我将数据库从SQLite切换到了PostgreSQL。整个迁移工作量不小，在长时间的开发对话中，难免顾此失彼，结果我忘记更新相关文档。后来在开发新功能时，Claude仍然调用SQLite的语法，我排查了半天，才发现根源是CLAUDE.md里还赫然写着“本项目使用SQLite数据库”。

这种摩擦点多了就会发现，Agent犯的许多“低级错误”，根源往往不是模型变笨了，而是它赖以理解的文档和记忆已经“脑腐”了，出现了严重的混乱和过时。可能有人认为这是专业开发者才需要关心的事，但实际情况恰恰相反。专业开发者通常有良好的工程习惯，比如规整的git commit和随手更新的README。真正被这个问题困扰最深的，正是那些依靠Agent来辅助编程的设计师、产品经理、内容创作者等。

“氛围编程”前期非常爽快，和AI聊几句代码就生成了，功能也跑起来了。可一旦项目复杂度增加，文档的混乱便不可避免，而且很多人完全没有主动维护的意识。最终，混乱的知识库会让AI的表现越来越差，给人一种“我的Agent怎么越来越笨”的挫败感。

此前，Claude Code推出过一个名为“AutoDream”（自动做梦）的功能，旨在自动整理记忆。初看之下，这似乎正是我需要的工具。但实际使用后，发现一个致命缺陷：AutoDream只处理AI的记忆文件，完全不触及项目本身的文档。

在一个典型的AI协作项目中，知识其实分为三个层次，每一层服务的对象和目的都不同：

1. 第一层：Agent记忆系统。包括过去的聊天记录和项目中的隐性知识，主要服务于AI自身对上下文的理解。
2. 第二层：项目根目录的CLAUDE.md。这是写给AI看的“项目宪法”，规定了项目结构、约定、红线和路由清单等。
3. 第三层：docs/目录和README。这是写给“人”看的，包括其他协作者、下游开发者等，内容可能是接入指南、架构说明或运维手册。

这三层职责并不重叠。例如，在CLAUDE.md中新增五个路由，并不意味着docs/integration-guide.md里会自动说明下游如何接入这五个路由。前者是提醒AI自己，后者是教导他人。AutoDream只解决了第一层的问题，对于后两层至关重要的文档却无能为力，因此其实际效果大打折扣。正是这个局限性，催生了“洁癖.Skill”的诞生。

核心原则与工作机制

这个Skill的设计遵循一个核心原则：合并优于追加，删除优于保留。这或许与很多人的直觉相悖，大家通常觉得“信息多总比信息少好，万一以后用得上呢？”

但在AI协作的场景里，信息多并非优势，信息准确才是关键。坦率地说，一条过期的、错误的记忆，比完全没有这条记忆更糟糕。因为当AI没有相关信息时，它至少知道自己“不知道”，可能会向你提问。但如果它读取到一条过时的错误信息，它会将其当作事实，并在此基础上进行推理和操作，从而导致一系列错误。OpenClaw等工具越用越笨，其记忆系统过于臃肿、充斥无效信息正是主因之一。

当你安装并运行“洁癖.Skill”后，它会按顺序执行以下五个步骤，整个过程完全自动化：

第一步：强制机械式盘点。首先，它会遍历项目中的所有Markdown文件，一个不漏地全部读取。这一步是为了避免遗漏，之前遇到过一些工具看似整理了，却偏偏漏掉了最关键的那份文档。

第二步：变更影响分析。Skill会依据内置的“变更影响矩阵”文档，识别本次对话产生的新事实，并分析这些变动会波及到哪些层级的文档。这一步还有一个关键检查：判断本次对话是否涉及跨项目改动。如果项目A的修改影响了依赖它的项目B，那么项目B的相关文档也必须同步更新——这是在团队协作中最容易翻车的地方之一。

第三步：执行更新。按照特定的顺序进行修改：先更新docs/目录下的对外文档，再更新根目录的CLAUDE.md，最后整理AI的记忆文件。这个顺序确保了知识从对外到对内、从显性到隐性的正确同步。

第四步：自检清单。这是所有严谨Skill的标配环节。它会检查诸如“新增的环境变量是否在runbook和CLAUDE.md中都出现了？”“有没有残留的相对时间描述？”等问题，确保更新的完整性和准确性。

第五步：生成变更摘要。所有工作完成后，Skill会输出一份清晰的报告，详细列出修改了哪些文件、更新了哪些内容，让使用者完全掌握变动情况。

这五个步骤听起来复杂，但作为使用者，你需要做的仅仅是在对话结束时输入一个简单的指令：/neat。或者说“审查一下”、“整理一下”等自然语言指令也能触发。

更深远的价值：从对话依赖到文档驱动

表面上，“洁癖.Skill”只是在做文档整理，但它实际解决的问题远比整理文档本身更有价值。它促使项目的知识体系从依赖脆弱的对话上下文，转向依赖持久化、可维护的文档。

由于众所周知的“上下文腐化”问题，一个对话中的信息越多，模型的有效表现往往越差。尽管Claude Opus 4.7宣称支持1M上下文，但在实际测试中，当上下文长度达到500K左右时，模型表现就可能开始不稳定。因此，我个人的习惯是在对话长度达到400K左右时，就运行一次/neat进行“存档”，然后开启一个新的对话窗口。

在新窗口中，因为项目的文档和记忆都得到了良好的维护，你几乎不需要做任何冗长的背景介绍。遇到问题直接提问，Agent就能基于准确、最新的项目知识给出精准的解决方案。解决完后，再次/neat存档。如此循环，你会发现你的AI助手真的在“越用越聪明”。

归根结底，这个Skill倡导的是一种“AI时代的断舍离”。过期的信息就果断删除，重复的内容就合并精简，模糊不清的描述就修改明确。其目标是让项目的知识库，永远只保留当前最准确、最真实的“真相”。在AI协作日益普及的今天，养成定期维护知识环境的习惯，或许比单纯学习如何写出更好的Prompt，更为基础和重要。