手把手教你如何把CodeX养成第2大脑

原始來源與檔名：2026-06-30T093817+0800-手把手教你如何把CodeX养成第2大脑.md

SOURCE | 資訊源評估

• 準確性: 高 - 作者針對 AI Coding Agent (如 CodeX/Claude Code) 記憶斷層的痛點，提出了一個基於本地檔案系統 (Obsidian) 的務實解決方案，步驟清晰且具備極高的實作可行性。
• 易理解性: 高 - 沒有複雜的架構圖或深奧的名詞，透過 9 個實務步驟與具體的 Markdown 指令範例，手把手帶領讀者完成設定。
• 閱讀策略建議: 高準確/高理解。這是一篇極佳的實戰教學文。建議讀者在閱讀時，直接打開自己的 Obsidian 與 CodeX，跟著文章中的指令一步步建立專屬的 AGENTS.md。

NAPKIN | 餐巾纸

餐巾纸公式

AI 第二大腦 = 本地固定資料夾 (Obsidian) + 全局規則 (AGENTS.md 強制讀取) + 記憶收尾機制 (Session End Update)

將記憶從脆弱的聊天視窗，轉移到穩定可控的本地 Markdown 檔案系統中。

一句话

不要期待 AI 能永遠記住你；你要做的是建立一個本地檔案庫，並命令 AI 在開工前讀取它，在下班前把重要資訊寫進去。

餐巾纸草图

(Start Session) -> [ 讀取全局 AGENTS.md ] -> [ 讀取 Obsidian 記憶庫 (背景/待辦/決策) ]
                                                        |
(Work Session)  <---------------------------------------+
                                                        |
(End Session)   -> [ 執行「記憶收尾」指令 ] -> [ 寫入更新至 Obsidian 記憶庫 ]

ROUND 1: SKELETON | 骨架掃描

“这本书在说什么”

• 核心问题: 在使用 AI Coding Agent 時，使用者常被迫重複交代項目背景，因為聊天視窗的上下文會斷裂，模型記憶不穩定。
• 核心答案: 不要把記憶依賴在聊天視窗，而是透過在 Obsidian (或任何本地目錄) 建立專屬記憶庫，並透過 AGENTS.md 規範 AI 的讀寫行為，將其養成跨項目的「第二大腦」。
• 论证结构: 實戰教學型。從適用對象切入，闡述「記憶本地化」的核心思路，接著分 4 個步驟實作，並詳細定義了「該記什麼」與「不該記什麼」，最後強調「記憶收尾」的關鍵動作。

章节骨架

1. 痛點與受眾: 適合維護多項目、頻繁使用 Agent、討厭重複解釋背景的人。
2. 核心思路: 記憶放在文件裡，而非聊天窗口裡。
3. 第一步: 創建實體的 Codex 記憶庫資料夾結構。
4. 第二步: 設定規則，讓 Codex 開工前先讀取這些檔案。
5. 第三步: 將讀取規則寫入全局 AGENTS.md。
6. 第四步: 在各別項目中建立專屬的 AGENTS.md。
7. 記與不記: 定義 6 類值得記錄的高價值資訊，與絕對不能記錄的敏感/無效資訊。
8. 記憶收尾: 每次工作結束前最重要的一句話。

ROUND 2: DISSECTION | 血肉解剖

“凭什么这么说”

论证链

AI 模型的對話記憶容易遺失且不穩定 --> 重複交代上下文極度耗時 --> 本地 Markdown 檔案是人類可讀、可控且持久的 --> 透過全局指令強制 AI 在啟動時讀取特定 Markdown，結束時更新 Markdown --> 形成一個由 AI 自動維護、人類可審查的長期「工作記憶區」。

关键证据

1. 檔案系統的絕對優勢: 相比於黑盒的 AI 對話歷史，Markdown 文件具備「能看、能改、能備份、能遷移」的絕對優勢。
2. 分層管理的必要性: 作者區分了「全局 AGENTS.md (紀錄長期偏好)」、「項目 AGENTS.md (紀錄專案規則)」與「Obsidian Codex (記錄跨專案上下文)」，這證明了實作經驗的深度，避免系統混亂。

隐形假设与边界

• 隐形假设:
  • 使用者使用的工具 (如 CodeX / Cursor / Claude Code) 具備讀取本地檔案並自行修改、寫入檔案的能力。
  • 使用者具備一定的檔案管理紀律，不會隨意移動記憶庫的絕對路徑。
• 边界条件:
  • 這套方法無法讓 AI 變成「無所不知」的私人助理。如果專案極端龐大，讓 AI 每次讀取全部的記憶 Markdown 可能會消耗過多 Token，甚至導致失焦。

ROUND 3: SOUL | 靈魂提取

“还能怎么用”

• 作者盲点: 依賴 AI 自行判斷「什麼值得紀錄」仍有風險。AI 可能會把錯誤的結論寫入記憶庫，導致未來的幻覺被放大。系統中缺少了一步「人類審查 (Human Review)」的強制關卡。
• 知识连接: 這個做法與軟體工程中的 RAG (Retrieval-Augmented Generation) 本質相同，只是將檢索庫從向量資料庫降維成人類可直接編輯的 Markdown 文件系統 (File-based RAG)。
• 行动触发: 停止在每一次開新對話時複製貼上你的專案背景。今天就在你的筆電裡建一個 TODO.md，並把文末那句「請做一次記憶收尾」設定為你的鍵盤快捷鍵。

留白提問 (Guided Reflection)

• 如果 AI 把一個錯誤的架構決策寫進了你的長期記憶庫裡，並且在三個月後據此寫出了一大段程式碼，你會如何發現並修正這個「被污染的記憶」？
• 「不保留對話歷史，只保留有用的上下文」，這句話除了用在訓練 AI 之外，是不是也完全適用於我們人類自己的筆記習慣？

跨域映射

• 在 認知心理學，这叫 將工作記憶 (Working Memory) 轉化為長期記憶 (Long-term Memory)
• 在 分散式系統，這叫 狀態外部化 (State Externalization)

DEEP READ | 精讀指引 (Must-Read Segments)

[!IMPORTANT] 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。

1. 第七步與第八步 (什麼該記/什麼不該記): 不要盲目讓 AI 記錄一切。這兩段清晰界定了「高價值資訊」與「毒藥資訊 (如 API Key)」，這是確保記憶庫健康度的關鍵原則。
2. 第九步 (每次結束時加一句記憶收尾): 這是這套工作流的靈魂。這句 Prompt 是啟動 AI 寫入機制的鑰匙，也是讓 AI 越用越順手的真正秘訣。

手把手教你如何把CodeX养成第2大脑 (Architectural Deep Dive)

前言/背景

在使用 AI 輔助寫程式 (如 CodeX, Claude Code, Cursor) 時，最令人沮喪的就是每次都要從零開始重新解釋專案背景。因為聊天視窗的上下文會斷裂，依賴模型的內建記憶既不穩定也無法遷移。本文提出了一種實用且優雅的解決方案：將 AI 的記憶外部化。透過在本地端 (如 Obsidian) 建立 Markdown 檔案庫，並利用 AGENTS.md 約束 AI 的讀寫行為，打造出一個可控、持久的「第二大腦」。

章節詳細總結

核心架構理念：狀態外部化

作者指出，AI 本身能力很強，但若無上下文，使用者就會淪為「重複交代背景」的工具人。核心解法是：不要把記憶放在聊天窗口裡，要把記憶放在檔案裡。 本地的 Markdown 檔案具備能看、能改、能備份、能遷移的優勢。這個方法特別適合同時維護多個專案、開發週期斷續的獨立開發者。

實作步驟拆解

1. 建立實體記憶庫 (Initialize Memory Vault)： 在 Obsidian 根目錄下建立一個固定資料夾 (如 Codex/)。透過提供精確的 Prompt，指示 AI 建立如 AGENTS.md, TODO.md, people/, projects/ 等基礎結構。
2. 建立讀取與寫入規則 (Read/Write Protocols)： 指示 AI 在每次開工前，必須讀取絕對路徑下的記憶檔案；並在獲得新知 (如決策、待辦) 時，主動更新這些檔案。切忌將完整對話記錄直接轉儲。
3. 配置全局指令 (Global Configuration)： 將這些規則寫入全域的 .codex/AGENTS.md 中，確保 AI 在任何專案啟動時，都能意識到這個長期記憶庫的存在並優先讀取。
4. 配置專案級指令 (Project-level Configuration)： 在個別專案的根目錄下也放置一個 AGENTS.md，專門定義該專案的特定工作規則 (例如：修改代碼前的禁忌、框架規範)。 這形成了一個清晰的三層架構：全局偏好 (Global) -> 跨專案記憶 (Obsidian) -> 專案專屬規則 (Project)。

資料治理：該記什麼與絕不該記什麼

維護記憶庫的健康度至關重要，不能讓 AI 變成垃圾桶。

• 高價值資訊 (應記錄)：項目背景、關鍵決策 (Why)、待辦事項、常用工作流 (SOP)、人員資訊、復盤結論。原則是：能幫你下次少解釋、少踩坑的，才值得記錄。
• 毒藥與無效資訊 (絕對禁止記錄)：密碼、API Key、Cookie、隱私個資、完整聊天紀錄、無價值的流水帳。

閉環機制：記憶收尾 (Session End)

這是整套工作流中最關鍵的一步。在工作即將結束時，向 AI 發送標準化的「收尾指令」：

請做一次本次工作會话的記憶收尾：
1. 判斷這次有沒有值得長期記錄的內容；
2. 如有必要，更新 Obsidian Codex 記憶庫裡的對應 Markdown 文件；
3. 告訴我你修改了哪些文件；
...

透過這個強制性的 Write-back 動作，確保了工作成果被持久化，從而讓 AI 在下一次開啟時能無縫接軌。

總結與結論

• 文件系統即 RAG (File-based RAG)：這套做法本質上是一個極度輕量、完全可控的檢索增強生成架構。將昂貴的向量檢索替換為明確的路徑讀取，將非結構化的對話提煉為結構化的 Markdown。
• Prompt 工程的系統化實踐：從單次對話的 Prompt，升級為包含全局規則、專案規則與收尾觸發器的完整流程 (Workflow)。這大幅降低了人類使用 AI 的心智負擔。
• 資訊安全與隱私防護：在使用 AI 記錄資訊時，必須在 System Prompt 層級嚴格定義禁區 (如 API Keys)，這是實踐 AI 第二大腦時不可妥協的架構底線。