最近在折腾一件事：把Claude Code的默认模型换成GLM-4，同时搭了一套私有记忆库。为什么这么干？因为我越来越觉得上下文工程比模型本身更重要。
为什么要换内核？
Claude Code默认只能用Claude模型，但实际工作中不同任务适合不同模型。比如处理中文文档，国产模型理解更准；跑批量任务，便宜的模型更划算。
换内核的核心价值是灵活性——让工具适应需求，而不是需求迁就工具。
私有记忆库怎么搭？
我搭了一个基于Markdown的本地长期记忆系统，叫AI_Common。结构大概是这样的：
显式知识层：
- 编码规范文档
- 项目架构说明
- 常用API文档
经验知识层：
- Bug复盘日志（存在Milvus向量库里）
- 踩坑记录
- 最佳实践
动态知识层：
- 通过MCP接入的最新技术文档
- 实时更新的依赖版本信息
什么是上下文工程？
很多人关注模型选哪个、Prompt怎么写，但忽略了一个更关键的问题：你喂给AI的信息质量决定了输出质量。
上下文工程（Context Engineering）就是系统性地管理和优化给AI的输入信息。包括：
- 信息筛选：不是给得越多越好，而是给最相关的
- 分层组织：按重要度和使用频率分层，常用的放近处
- 动态加载：根据当前任务自动匹配需要的上下文
- 定期更新：知识库不是建完就不管了，要持续维护
实际效果
配置好这套系统后，最明显的变化：
- AI不再反复问已经解决过的问题
- 生成的代码风格跟项目一致性提高了
- 处理历史遗留代码时，AI能参考之前的Bug记录
- 切换模型后，项目知识不会丢失
核心观点
模型在不断进化，半年前的旗舰可能现在已经不是最优选择了。但你积累的上下文工程体系——编码规范、Bug复盘、最佳实践——这些不会过时，而且会随着项目的推进越来越有价值。
与其纠结选哪个模型，不如花时间把上下文工程做好。这才是长期收益最高的投入。
大家有搭过类似的记忆系统吗？效果怎么样？