为什么现在的 AI 总像个“失忆天才”？

不知道大家有没有这种感觉：现在的 Claude、GPT-4 虽然智商爆表，聊两句就能给你写出惊艳的代码或者文案，但一旦开启新对话，它们立马变脸，把你之前千叮万嘱的格式要求、编程规范忘得一干二净。

这就好比你请了个绝世高手当助理，结果他每天早上上班都把昨天的脑子清空。你说“我习惯用 Tabs 不用 Spaces”，他今天听进去了，明天又忘。

这种“金鱼记忆”太搞心态了。官方虽然出了“Projects（项目）”功能，能上传一些文档当背景知识，但在灵活调用和实时更新记忆方面，总觉得差点意思。

今天给大家分享一个我最近打磨出来的工作流，利用 Codex 配合 Claude，直接给 AI 装上“外挂大脑”，实现真正的长期记忆和个性化指令注入。

方案核心逻辑：将Claude视为处理器，Codex视为外部硬盘，实现数据的持久化存储与调用。

这个方案的核心思路

其实逻辑并不复杂，核心就一句话：把 Claude 当成“处理器”，把 Codex 当成“外部硬盘”。

通常我们直接和 Claude 对话，记忆只存在于当前的 Context Window（上下文窗口）里，一旦新对话开启或者 Token 溢出，记忆就丢了。

而在这个工作流里，我会把我的偏好、项目的常用代码片段、甚至是一些长期的 To-Do 列表，都存储在 Codex 这一层。每次我问 Claude 问题之前，先通过自动化手段把 Codex 里相关的“记忆”提取出来，作为 System Prompt（系统提示词）或者 Context 的一部分扔给 Claude。

这样，Claude 每次回答问题，看到的都是带有“我私人专属记忆”的提示，自然就能像老朋友一样懂我了。

具体怎么操作？手把手搭建

第一步： Codex 的“记忆库”搭建

首先，你需要在 Codex 里建立几个关键的知识库分类。不要把所有东西都堆在一起，否则检索效率会很低。我是这样分类的：

1. 个人偏好库：这里存放我的各种死磕要求。比如写 Python 代码必须遵循 PEP8，写 Markdown 必须用 GFM 标准，或者“说话风格要简洁，拒绝废话”。
2. 项目上下文库：针对不同的项目，建立独立的文件夹。比如有一个项目叫“电商后台”，我就把数据库表结构文档、核心业务逻辑的伪代码放进去。
3. 常用代码片段库：这东西简直是救星。比如我常用的 Python DataFrame 预处理脚本、常用的 SQL 查询模板。遇到重复性工作时，直接让 AI 调用这些模版改，而不是从头写。

Tips：在 Codex 里写文档时，尽量使用结构化的 Markdown，并且给每个片段打好 Tag（标签）。这一点非常重要，关系到后续检索能不能精准命中。

“记忆注射器”工作流：自动化检索Codex内容并将其拼接到系统提示词中。

第二步： 编织 Claude 的“记忆注射器”

这一步是灵魂。我们不能每次都手动去复制 Codex 里的内容，那样太蠢了。我们需要一个简单的“胶水层”。

你可以使用任何你熟悉的自动化工具，甚至是一个简单的 Python 脚本。逻辑如下：

1. 触发请求：你给 Claude 发送一个问题，比如“帮我写一个电商后台的订单查询接口”。
2. 关键词提取：脚本（或者中间件）自动分析你的问题，提取关键词，比如“电商后台”、“订单”、“Python”。
3. Codex 检索：拿着这些关键词去调用 Codex 的 API，把相关的“记忆段”抓取出来。比如抓到了“数据库表结构.md”和你个人的“Python 编码规范.txt”。
4. Prompt 拼装：把抓取到的内容拼接到你的原始问题前面。
   • 改写后的 Prompt：「以下是我的编码规范和项目背景信息：[Codex返回的内容]。基于此，请帮我写一个电商后台的订单查询接口……」
5. 发送给 Claude：把这段长长的、充满“记忆”的 Prompt 发送给 Claude。

这个过程在几毫秒内就能完成，你感知不到延迟，但 Claude 的表现会天差地别。

第三步： 实战场景演练

光说理论没感觉，咱们看两个实际场景。

场景一：程序员无痛写代码

以前：我要写个加密函数。得先去翻以前的文档，看用的是 AES 还是 RSA，Key 存哪了，Pad 的模式是啥。

现在：我直接问 Claude “给用户数据加密”。工作流自动从 Codex 里拉取了《安全规范V2.docx》。Claude 看到规范里写着“采用 AES-256-CBC，Key 从环境变量读取”，于是直接生成了完全符合规范的代码。我连检查都不用查，直接复制粘贴。

场景二：内容创作者保持人设

以前：让 Claude 写一篇科技评测，它有时候发疯写得太学术，有时候又太低幼。

现在：我在 Codex 存了一份《我的写作人设-毒舌科技风》。每次提问，这段人设描述都会自动注入。Claude 写出来的东西，带着我特有的讽刺和严谨劲儿，连我不喜欢的“综上所述”这种词都不会出现。

为什么不直接用 Projects？

肯定有人会问：“Claude 官方的 Projects 不是也能上传文件吗？为什么要搞这么复杂？”

确实，Projects 很好用，但它有几个局限性：

• 更新滞后：如果代码库更新了，你得重新上传文件，不然 AI 看到的还是旧版本。而在 Codex 这种连接型工作流里，Codex 那边更新了，Claude 这边调用到的永远是最新的。
• 颗粒度不够细：Projects 是基于整个文件引用的。如果你的文档有 100 页，而你需要的是第 3 页的一小段配置，Claude 有时会“幻觉”或者抓错重点。Codex 配合关键词检索，可以做到“切片级”的精准投喂。
• 跨平台复用：这套逻辑不绑定 Claude。如果你哪天想换回 GPT-4，或者试试 Gemini，只要换掉接口那边的“处理器”，你的“记忆硬盘”是不用动的。

一些踩坑后的建议

1. 别贪多：刚开始别往 Codex 里塞太多东西。记忆越精准越好，如果每次检索都拉回来 5000 字的无关背景，不仅浪费 Token，还会干扰 AI 的判断。
2. 定期维护：记忆库是需要维护的。如果代码重构了，记得去 Codex 里更新对应的文档，不然 AI 会一直在旧的逻辑里打转。
3. 隐私安全：这个方案涉及把数据通过 API 传输，如果你的代码或者笔记涉及公司核心机密，建议搭建本地版的 Codex 或者使用私有部署的向量数据库，不要直接上传公有云。

总结

这套 Codex + Claude 的组合拳，本质上就是把 AI 从一个“通用的百科全书”变成了一个“懂你的私人专家”。它不会凭空增加 AI 的智商，但能极大地发挥出 AI 在你特定领域内的实力。

如果你也受够了每天重复教 AI 怎么干活，不妨试试这套思路。一旦你的 AI “记性”好了，你会发现工作效率真的能翻倍。