这是一个运行了一年的 context infrastructure 系统的完整结构。主要价值是作为 reference implementation，让你看到系统长什么样、数据如何流动、记忆如何积累。
核心定位：这不是开箱即用的工具，而是一个可以参考的蓝图。Clone 下来后，你可以立刻体验「有 context vs 没有 context」的差异。但要让 AI 真正变成你自己的，需要从头采集你的行为数据——没有捷径。
git clone https://github.com/grapeot/context-infrastructure
cd context-infrastructure
# 用 Claude Code / OpenCode / Cursor 打开这个目录然后：打开 rules/USER.md，填写你的基本信息。这是 ROI 最高的一步，完成后 AI 的行为立刻个性化。
详细步骤见 setup_guide.md。
context-infrastructure/
├── AGENTS.md # 根路由表（AI 每次 session 的起点）
├── setup_guide.md # 配置指引
├── .env.example # 环境变量模板
│
├── docs/
│ └── CRONTAB.md # 定时任务配置指南（时间线 + 示例 crontab）
│
├── rules/
│ ├── SOUL.md # AI 的身份和行为基调（模板）
│ ├── USER.md # 你的偏好和背景（模板）
│ ├── COMMUNICATION.md # 沟通风格指南（可直接用）
│ ├── WORKSPACE.md # 目录路由索引
│ ├── axioms/ # 43 条决策公理（展示层）
│ └── skills/ # 25+ 个可复用 skill（展示层）
│
├── contexts/
│ ├── memory/
│ │ └── OBSERVATIONS.md # 三层记忆系统的 L1/L2 层
│ ├── survey_sessions/ # 调研报告存放目录
│ ├── daily_records/ # 日常记录存放目录
│ └── thought_review/ # 思考复盘存放目录
│
├── periodic_jobs/
│ └── ai_heartbeat/
│ ├── docs/
│ │ ├── PRD.md # 记忆系统设计文档
│ │ └── KNOWLEDGE_BASE.md # 观察和反思的 SOP
│ └── src/v0/
│ ├── observer.py # 每日观察脚本（需配置 cron）
│ └── reflector.py # 每周反思脚本（需配置 cron）
│
├── tools/
│ ├── semantic_search/ # 语义搜索（Tier 2）
│ └── share_report/ # 报告发布（Tier 2）
│
└── adhoc_jobs/ # 按需任务存放目录
展示层（可以参考，不能复制）：rules/axioms/ 和 rules/skills/ 包含了这个系统积累一年的内容。43 条公理是从具体经历中蒸馏出来的，skills 是从真实项目中总结的。这些代表原作者的视角，对你有参考价值，但不能替代你自己积累的认知。
可复用层（直接用）：rules/SOUL.md、rules/USER.md 是模板，填写即可使用。rules/COMMUNICATION.md 是通用的沟通风格指南，大多数人可以直接采用。periodic_jobs/ai_heartbeat/ 提供了记忆系统的实现代码。需要配置定时任务时，参考 docs/CRONTAB.md。
不可复用层：公理的具体内容、skill 背后的具体经验。理解它们的结构和形成方式，然后从你自己的数据中积累。
MIT