用 Claude Code / Codex 攒了几个月的"经验"，最后都去哪了？
模型更新迭代，但出来的不是你自己。
昨天在 V2EX 刷到一个提问。发帖老哥说自己重度用 Claude Code 加 Codex 大半年，本地那两个目录里躺了几百个 session，全是当时一起踩坑、定方案、改 bug 的过程，可这些几乎再也不会被翻出来。换台机器、换个工具、开个类似的新项目，之前和 agent 一起搞明白的东西，就锁死在旧的 JSONL 里了。他想确认一件事：是不是只有他觉得，几个月的使用记录，其实是被白白扔掉的资产。[1]下面的发言很多，大家都很认真，很快分成了三个派别：一派说不用攒。回得很干脆：从来不攒，需求天天变，今天的经验明天就没用了。还有人补一句，代码库自己也在变，与其存着，不如让它每次重新扫一遍。往下是那句最有代表性的：搞那么复杂没意义，最终所有经验都会被模型本身吃进去，不如直接等模型更新版本。一派说不用专门弄，重要的东西早落盘了。有老哥的反馈是：都进到代码里了啊，交接时让原 agent 写个 markdown、带走那几个 memory 文件就够了，新 agent 会从代码和 git 仓库里学工程习惯。他还反问一句，很多人以为给 AI 看的东西也得人类可读，如果是这样那你用 AI 干嘛。另一位老哥说得更直接：重要的不都在项目文档、代码、skill 里了么，难道有了 AI 就不做会议纪要，每次都去全量翻录音？最后一派是绕到了更里面。有位用户说，他后来换工具时模型不好用，只能凭着当时和上一个 AI 沟通的记忆、思路，甚至让新模型模仿旧模型的语气跟他对话，靠这个把问题一点点问出来。他的结论是：项目经验落文档，但解决问题的经验，已经长在你使用 AI 的方式里了。我大致看完了整个问题和回复，让AI统计汇总了一下整体讨论（上面的分析）。之所以看得这么细，是因为这三派的想法，其实我自己这大半年，都真信过、也真来回摇摆过。最开始我是最后一种，认为凭借自己之前的经历和思路，每次使用AI时都会更新迭代，就没有主动去研究分析这些。后来Claude code的使用经历，以及使用Openclaw的经历发现这样不行，还是要分析、然后自己迭代才行，毕竟Agent工具那么多，每个工具的用法都不一样，要学的就越来越多。也就是自己根据这些经验，汇总写了几篇文章。甚至还差点倒回第一派。那阵子各个 TMT 媒体都在吹，大模型的能力越来越强（中间就是 Anthropic 正在各种吹嘘 Mythos 模型多强的时候，以及 GPT-5.6 模型开始那会）。以为模型越来愈强，各种骚操作就越来越没必要（就像一开始使用 AI 还需要学提示词，后来直接用人话说就可以）。到现在，我自己创建了以日-周-月的汇总和分析的定时任务，按照固定期限吧自己使用 AI 的经历、发展过程和情况汇总，记录到我的 Obsidian 库里（这个一直计划写文章分享，写了一篇还没补完）。不管是 Claude Code 的记忆系统，还是各种提取会话文件分析的操作，它们解决的都是"下次别忘"的问题。也就是同一个工具里，下一次不用重新解释一遍。而发帖那位老哥卡住的，和我经历的，是一样的东西：攒下来的那部分，怎么变成能带走、能复用的东西。再往前那一步，怎么把攒下来的东西变成你真能带走、能复用的资产，没人替你走，得自己走（这一步还特别容易走丢哈哈哈哈）。就说今天早上，我翻 Obsidian 看上周的改版更新日志：上周我照着 Andrej Karpathy 大神的思路，结合已有的 Obsidian 和 AI 使用习惯，把整个知识库的结构翻修了一遍，本来翻修完想写篇文章分享一下过程和思路的（结构上周就整体更新完了），结果一忙搞忘记球了，写文章这事儿忘得一干二净。我不是站在旁边看的，这半年我自己就是那个真去折腾蒸馏的人。本地两个目录加起来，我攒了五百多个 session。这半年我从这些对话里，蒸出了8个自己在用的 skill（什么写作、PPT和其他用途的），还有几个跑定时任务的配置。蒸得最多的是写作这条线。第一个就是写作的 skill （毕竟使用频率很高，而且各个所谓AI大神的分享也特别多）。当时就是要写篇文章，我让 AI 分了好几个线程，从不同方向先把整个流程跑通，跑顺了之后，再把之前散着的、能用的部分抓出来，汇总成一个能调用的 skill。后来每次写文章都调它，遇到新情况就改一版。它不是我坐下来规划出来的一套体系，是从一次真跑通的过程里蒸下来的，然后让它自己慢慢长。所以对那派"重要的都进代码和文档了"，我的看法是：进代码没错，但那不是全部。我翻过 AI 自动给我记的 memory，好多真正难的地方它压根没写进去（最开始好多技术名词没看懂，后来改成人话了）。它记的是结论，是"这个项目用什么架构""这里有个坑"，可我当时怎么一步步爬出那个坑的、试错的路径、被否掉的三个方案，全躺在原始会话记录里。自动记忆天然是收敛的，它替你留结论，替你把过程删掉，而过程恰恰是复用价值最高的东西。原始session 才是关键，skill 和文档都是从它蒸出来的产物，源头一旦丢了，产物再漂亮也补不回来。再说那句"经验已经长在你使用 AI 的方式里"——这话也只能认一半。怎么支配 AI、怎么把一个模糊的需求拆成它能接住的问题，这种手感确实长在你身上，换个工具也带得走，这是真的，但另一半不成立。具体的决策细节和约束长不到你身上，还是在原始文件里。我给写作 skill 立过一条规矩，叫一条规则只放在一个地方、别处不许重复。这条规矩是我反复踩了"同一件事在两个文件里写了两遍、改一个漏一个"的坑之后才立的。你现在问我当时具体踩了哪几次、每次损失了什么，隔了三个月早特么忘记完了。它长在文件里，不落，就是真没了。就算有一天模型强到能把这些通用经验全吃进去，有两样东西它结构上就吃不到。第一样是你的真实世界。你的个人判断、你的经历、你每天的生活和沟通里流过的信息，AI 根本获取不到。模型迭代会让它更聪明，但你真实世界里的变化，它预知不了，也拿不到。它再强，也只是对全人类的平均值更聪明了，不是对"你"更懂了。第二样更隐蔽，是AI的信息边界。一个真人在真实场景里，是一直在往外接触新东西的：刷到的小说、看的视频、读的文章、跟人的聊天，全是异质的输入，你自己都不知道哪条哪天会用上。可 AI 一旦开始一个任务，就收敛进那个场景里了，它不会发散（也没法发散），视野和信息都被这个任务夹住。所以你那些东一榔头西一棒子、跨着领域攒起来的连接，压根不会在它替你干活的过程里出现过。而模型再强，也只能吃它见过的东西。没在它面前发生过的，它无从记录，更无从学走（这跟模型强不强没关系，是这份东西根本没往它那儿去过）。市面上的方案，从 Claude Code 自动记 memory，到那些按重要性和访问频率自动升级的记忆库，主线都是自动化，尽量不用人管。我偏偏是入库前先自己过一遍。一条经验要不要留、留成什么样，我人工看一眼再放进去。好处很实在：留下来的每一条，都是我自己确认过的，不是系统替我攒的一堆我自己都没看过的东西。坏处也很蠢：人一懒就断更。上周做完的事，一周没补记录；惦记几个月的选题，一次次忘掉。这条反路线最大的敌人不是技术，是每个人的拖延症。因为自动化的流水线，只能批量产出AI味的垃圾，每个人作为“人”的个性，是那个"我确认过、我认账"的动作，是那些被AI平均过的内容无法替代的。手动蒸馏的是个性化。模型更新迭代，但出来的不是你自己。这个是我一直的看法。所以回到V2EX的那个问题：几百个会话记录是不是被白扔的资产？答案是：看你想不想留住自己。想，它就是你还没捞出来的那部分你；不想，它就真只是占地方的垃圾，删了也不可惜。至于它会不会哪天被模型吃掉、被模型平均掉，我不太担心。模型能平均的是所有人，可它平均不出某一个具体的你。就像今天早上那条、我上周做完却一直没写的记录，那里头的东西，只在我这儿。- Kamiimeteor,《大家用 Claude Code / Codex 攒了几个月的"经验"，最后都去哪了？》,V2EX,2026-07-21,https://www.v2ex.com/t/1228685
