（3688期）Coding Custom – 记住你的代码，而非猜测

记住你的代码，而非猜测 基于显式反馈的个人编码风格记忆系统，零推断、零网络、纯本地存储，让AI真正学会你的代码偏好 使用说明 核心用法 Coding 是一款显式学习型的编码风格记忆技能，专为需要长期保持代码一致性的开发者设计。系统通过 ~/coding/ 目录下的 memory.md（活跃偏好，≤100行）和 history.md（归档历史）实现分层存储，仅在用户明确确认后记录偏好，绝不通过观察或推断学习。 关键操作流程： 用户纠正输出 → AI询问"是否记住此偏好？" → 确认后写入 memory.md 会话启动时自动加载记忆，应用于后续代码生成 支持查询、删除、归档等完整记忆管理 条目格式：极简5词以内，按 Stack/Style/Structure/Never 四维分类，如 python: prefer 3.11+、naming: snake_case for files。 显著优点 零隐私风险：纯本地文件存储（~/coding/），无网络请求、无遥测、不读取项目文件 反幻觉设计：明确禁止从代码库推断偏好，杜绝"我觉得你喜欢这样"的AI臆测 用户主权：每条偏好必经显式确认，沉默≠同意，建立可审计的信任关系 轻量可控：100行硬上限 + 自动归档，避免上下文膨胀 潜在局限 启动成本高：需用户频繁主动纠正，初期交互负担较重 无智能推荐：不会基于语言/框架自动建议常见偏好（如不会主动问"要用Prettier吗"） 跨设备同步缺失：纯本地存储意味着多机使用时需手动迁移 ~/coding/ 目录 格式限制严格：5词上限可能无法承载复杂规则（如"函数超过20行必须拆分并写单测"） 适合人群 代码风格洁癖者：对缩进、命名、项目结构有强主张的开发者 多语言开发者：需要在不同技术栈间保持一致的团队/个人 AI协作深度用户：长期使用同一AI助手，希望"越用越顺手"的用户 常规风险 确认疲劳：高频"是否记住？"询问可能打断心流 记忆碎片化：长期积累后，100行限制可能迫使频繁归档，导致活跃记忆丢失上下文 人为遗漏：用户忘记纠正时，AI不会主动学习，可能重复错误 迁移摩擦：重装系统或换设备时需手动备份 ~/coding/ 目录 原始说明 Coding style memory that adapts to your preferences, conventions, and patterns for consistent coding.