最近在翻 Claude Code 的官方文件時，看到一句話讓我停了下來：
CLAUDE.md: target under 200 lines per file.
200 行。就這樣？
一個要承載整個專案的 build 指令、程式碼編寫標準、架構決策、命名規範的檔案，Anthropic 跟你說「最好不要超過 200 行」。
我一開始跟大多數人的反應一樣——「那不夠啊」。但後來仔細想想，如果 200 行就夠了，那 Anthropic 幹嘛還要另外做 Auto Memory？幹嘛還要有 Skills？直接把 CLAUDE.md 的上限拉高不就好了？
這個問題一旦問出來，後面的東西就有意思了。
表面上都是「記東西」，骨子裡完全不同
Claude Code 的記憶系統有三套機制：CLAUDE.md、Auto Memory（MEMORY.md）、Skills。網路上已經有很多文章在教「怎麼寫 CLAUDE.md」「怎麼開啟 Auto Memory」，這些操作面的東西我就不重複了。
我想聊的是——它們對 context window 的行為差異。
這三套機制，載入 context 的方式完全不同：
| 機制 | 載入方式 | Compaction 後 |
|---|---|---|
| CLAUDE.md | 全文常駐，每一輪推論都在 | 從磁碟重新讀取，完整重生 |
| MEMORY.md 索引 | 前 200 行常駐 | 作為 startup content 重新載入 |
| Memory topic files （主題詳述檔） | 不載入，需要時 Claude 自己去翻 | 隨對話歷史被摘要壓縮 |
| Skill 簡要描述 | 所有 skill 的名稱+描述，共享 1% context 預算 | 不重載（唯一的例外） |
| Skill 完整內容 | 被觸發時才注入，之後持續留在 context | 有 25K tokens 的專屬保護預算 |
同樣叫做「記憶」，但它們在 context 裡的生命週期完全不同。
如果你不知道這些差異，你可能會把所有重要的東西都往 CLAUDE.md 裡塞，然後納悶為什麼 Claude 越來越不聽話——因為你的 300 行 CLAUDE.md 正在稀釋每一條規則被注意到的機率。
200 行不是限制，是設計壓力
換個角度看：200 行的天花板，其實在逼你回答一個根本問題——
什麼知識，值得每一輪推論都佔用 Claude 的 注意力？
答案是：只有核心原則值得。「用兩個空白縮排」「commit 訊息用英文」「API handler 放在 src/api/handlers/」——這些是不管今天做什麼任務都需要遵守的規則。它們值得常駐。
但「上次 debug 發現 連線池 的 逾時時間 跟 auth token 更新時間 有衝突」——這條很重要，但它不需要在你改 CSS 的時候佔用注意力。它需要的是：在你碰到相關問題的時候被想起來。
這就是 Auto Memory 的設計初衷。它不是 CLAUDE.md 的備份，也不是「裝不下的東西放這裡」的垃圾桶。它是一個 按需展開（expand-on-demand） 的記憶架構——MEMORY.md 索引常駐在 context 裡（讓 Claude 知道「我有筆記可以查」），但詳細的主題檔案（topic files）只在 Claude 判斷需要的時候才載入。
用電腦架構來比喻的話：
- CLAUDE.md 是 ROM（韌體）——寫死的、啟動就載入、容量有限但執行保證最高
- MEMORY.md 索引是 RAM 裡的索引表——常駐、告訴系統「什麼資料在哪裡」
- Memory topic files 是外部儲存——容量大、需要時才讀進來
根據個人經驗，我覺得 AI 的這套記憶系統跟我們幾十年前在搞的記憶體階層架構，本質上是同一件事…
四層認知架構
如果把 CLAUDE.md 拆成 User 層和 Project 層（它們本來就是兩個檔案），加上 Auto Memory 和 Skills，其實構成了一個四層的認知模型：
| 層級 | 機制 | 你在定義什麼 |
|---|---|---|
| 個人信念 | ~/.claude/CLAUDE.md | 你是什麼樣的開發者（跨專案通用） |
| 專案原則 | ./CLAUDE.md | 這個專案的遊戲規則（團隊共享） |
| 累積經驗 | Auto Memory | 在這個專案裡學到了什麼（Claude 的筆記） |
| 執行方法 | Skills | 遇到特定任務怎麼做（方法論） |
這四層從上到下，越來越具體、越來越接近「動手做事」。
上面兩層定義「我們是誰、怎麼做事」，第三層累積「我們知道什麼」，第四層處理「遇到特定任務怎麼執行」。
用個更直覺的比喻——這就像一個人加入新團隊的過程：
CLAUDE.md（User）是你自己帶來的專業素養和習慣。CLAUDE.md（Project）是第一天到職時拿到的 內部工作指南。Auto Memory 是你工作一兩個月後自然累積的經驗——「這個模組的 API 有個文件未紀錄的特例」「跑 migration 前要先清 cache」。Skills 則是桌上那幾本 SOP 手冊——需要的時候翻開照著做。
戰略和戰術的分野
Auto Memory 和 Skills 都是「需要時才載入」，但它們的本質完全不同。
我後來想到一個切入方式：Auto Memory 是戰略情報，Skills 是戰術手冊。
用 code review 來舉例：
Auto Memory 記的是：「這個專案的 reviewer 很在意 error handling」「上次 PR 被退回是因為缺少 edge case 測試」「這個團隊不喜歡 超過三層的巢狀結構」。這些是關於這個戰場的情報。
Skills 定義的是：「做 code review 時，第一步檢查 error handling，第二步看測試覆蓋率，第三步確認命名規範，最後用這個格式輸出」。這是作戰程序。
Skill 提供骨架，Auto Memory 填入血肉。
一個好的 code review 不是機械地跑完 checklist。是帶著對這個專案的了解去跑那個 checklist——知道哪些項目在這裡特別容易出問題，知道哪些模式是團隊踩過的坑。
缺了經驗的方法論是僵化的 SOP。缺了方法論的經驗是散亂的直覺。兩者要合在一起，才構成真正的專業能力。
而 Anthropic 在 compaction 的存活設計上，也體現了這個區分——Skill 在 compaction 後有 25K tokens 的專屬保護預算，會被主動重新附加到摘要之後。Auto Memory 的 topic file 查閱內容則隨對話歷史一起被壓縮。
乍看反直覺——戰略情報不是比戰術重要嗎？但想想其實合理：compaction 通常發生在一個任務進行到一半的時候。那個當下，「我正在按照什麼流程做事」（戰術）比「我上個月學到什麼」（戰略細節）更緊急。而且戰略情報的索引（MEMORY.md）還是會重新載入的，Claude 不會忘記「我有筆記本可以查」，只是細節需要再翻一次。
反過來，Skill 列表（還沒被觸發的 skill 清單）是 compaction 後唯一不重載的 啟動內容。但這也說得通——工具忘了可以再找，但記憶不能每次都靠提醒。你可以問 Claude「你有沒有什麼 skill 可以處理這個？」它就會去翻。但你不能每次都提醒它「你是不是忘了什麼？去查一下你的筆記」——如果需要這樣做，Auto Memory 就沒有存在的意義了。
這件事為什麼值得在意
我搜了一圈網路上的討論，發現幾乎沒有人從「context 生命週期」的角度來看這三套機制。大家都在教「怎麼用」，但沒有人在問「為什麼這樣設計」。
目前三大模型廠商的 coding agent——Claude Code、OpenAI Codex、Google Antigravity——都有類似的 rules file 和 skills 機制。Codex 最近也在開發 Memories 功能。但就目前公開的資訊來看，Claude Code 是唯一對「不同性質的知識應該有不同的 context 保護等級」做出明確設計的系統。
其他家有類似的功能拼圖，但還沒有拼出這個認知模型。
而這個認知模型，其實改變了你「經營」這三層的方式：
CLAUDE.md 的 200 行不是「寫到滿」，是一個品味的考驗——什麼值得成為 Claude 在這個專案中的核心信念？你放進去的每一行，都在消耗每一輪推論的注意力預算。
Auto Memory 不是放著讓它自動跑就好。它是 純 markdown 文件，你隨時可以編輯、可以策展。你甚至可以在專案初期就手動寫入一些「種子記憶」，引導 Claude 從一開始就帶著特定的經驗背景工作。
Skills 不是巨集。它是長 session 中最可靠的行為錨點——因為 compaction 後有專屬保護，你的 /deploy 或 /code-review skill 不會在關鍵時刻被遺忘。
寫在最後
大部分人把 CLAUDE.md 當設定檔在管理，把 Auto Memory 當自動備忘錄在用，把 Skills 當快捷鍵在按。
但如果你退一步看，這三者合在一起，其實是在定義 Claude 在這個專案中的專業人格——它的信念、它的經驗、它的方法論。
200 行的限制不是 Anthropic 的偷懶。它是一個設計壓力，迫使整個系統回答一個根本問題：
不同性質的知識，需要不同的 attention 配額和 compaction 保護等級。
或者換句更白話的說法——AI 的記憶管理，跟人類的專業能力結構，本質上是同一件事。核心原則要隨時能調用，累積經驗要在相關情境時浮現，執行方法要在任務進行時不被遺忘。
以前我們設計的是軟體架構。現在也許，我們開始在設計 AI 的認知架構了。
（搞了半天，記憶體階層架構繞了幾十年，又繞回來了…XD）
本文的研究過程中，小思（Claude）全程參與了文件分析、網路搜尋和框架推導。這篇文章本身就是「人類提出直覺 + AI 驗證推演」的協作產物。
參考資料：
- Anthropic, How Claude remembers your project
- Anthropic, Explore the context window
- Anthropic, Extend Claude with skills
- OpenAI, Codex – Agent Skills
- OpenAI, Codex – Memories
