1、Skill 简介
my-planning-skill 是一个"项目开发规划 + 开发者偏好记忆"型 Skill。它用项目根目录中的 4 个 Markdown 文件替代脆弱的上下文窗口，同时维护两类长期记忆：任务记忆（目标、阶段、发现、进度、错误）和开发者记忆（已确认偏好、已批准模式、已否定做法、高频关注点、工作习惯）。
当你在一个项目上持续工作时，它能自动学习你的风格偏好，让 AI 越用越懂你，而不是每次新会话都要重新解释"我喜欢这样做、不要那样做"。
2、使用场景
场景一：多步骤开发与功能交付
-
痛点：复杂任务做到一半，上下文窗口满了，AI 忘了最初的约束条件，开始偏离你的设计方向。你不得不反复纠正，效率直线下降。
-
解法：任务拆阶段写入
task_plan.md，每完成一个阶段就更新状态。AI 在做重大决策前会自动回读计划文件和偏好文件，始终对齐你的目标。即使上下文丢失，也能通过会话恢复脚本快速找回状态。
场景二：跨会话持续开发
-
痛点：昨天跟 AI 讨论确认了一个方案，今天开新会话，AI 完全不记得了，又从零开始问同样的问题。你反复强调的约束条件，每次都要重新说一遍。
-
解法：
developer_preferences.md会把你的偏好、已批准模式、已否定做法持久化到文件中。新会话启动时，AI 先读偏好文件，直接进入"懂你"的状态。你的"不要引入新框架"“先复用现有代码”"避免修改无关文件"这些反复强调的点，再也不用说第二遍。
场景三：Bug 修复与重构
-
痛点：修复一个 Bug 时 AI 改了一堆无关文件，或者重构时引入了你明确不想要的新模式。你说"不要这样"，它下次还是这样。
-
解法：你的否定和纠偏会被记录为"已否定做法"，后续任务中 AI 会主动回避。偏好冲突时，最新指令优先，旧条目标记为
superseded而不是被静默删除——你的每一条偏好都有据可查。
3、创作过程
这个 Skill 的设计核心围绕上下文工程原则。核心理念很简单：
上下文窗口 = 短期记忆（易丢失、易漂移），项目文件 = 长期记忆（可持久化、可重读、可跨会话恢复）。
基于这个理念，我做了以下几件事：
-
第一步：建立 4 文件记忆体系（解决信息丢失）
设计了
task_plan.md（任务路线图）、findings.md（调研发现与开发者信号）、progress.md（过程日志）、developer_preferences.md（偏好与习惯）四个核心文件。每个文件职责清晰，互不重叠。重要信息不再只留在聊天里，而是写入文件，随时可回读。 -
第二步：构建偏好记忆管线（解决"AI 不懂我"）
这是整个 Skill 最核心的设计。我建立了一套从"原始信号采集"到"自动分类整理"再到"执行指引刷新"的完整管线：
- 开发者在对话中表达的偏好、认可、否定、反复强调的点，先作为"开发者信号"记入
findings.md - 运行
sync-preferences脚本，自动解析结构化标签，分类到developer_preferences.md的对应表格 developer_preferences.md顶部维护"当前执行指引"，AI 做决策前先读这一节
这套管线让 AI 能像老搭档一样，越合作越默契。
- 开发者在对话中表达的偏好、认可、否定、反复强调的点，先作为"开发者信号"记入
-
第三步：引入生命周期 Hook（解决执行遗漏）
通过 3 个生命周期钩子（PreToolUse / PostToolUse / Stop），在关键节点自动注入上下文：
- 每次工具调用前，自动展示任务计划和偏好的前 30 行摘要
- 每次文件写入后，自动提醒同步规划文件
- 任务结束时，自动检查所有阶段是否完成
这相当于给 AI 装了一个"外挂注意力系统"，让它始终记得当前目标和你的偏好。
-
第四步：实现跨平台自动化（解决环境差异）
每个功能都提供了 Bash + PowerShell 双版本，核心逻辑用 Python 实现。无论你在 macOS、Linux 还是 Windows 上工作，都能无缝使用。会话恢复脚本会分析上一轮的对话日志，找到未同步的上下文，帮你快速恢复工作状态。
-
第五步：定义严格的偏好捕获规则（解决噪声干扰）
不是所有用户说的话都值得记为长期偏好。我定义了 5 条升级条件：明确表达、明确认可/否定、重复强调 2 次以上、纠偏、跨会话稳定出现。只有满足条件的信号才会被写入偏好记忆，避免把一次性的随口建议当成硬规则。
4、使用步骤
-
自动触发：当你开始一个多步骤开发任务时，Skill 会自动初始化 4 个核心文件到项目根目录。
-
记录与沉淀：任务过程中，你的偏好信号会被自动捕获。你也可以手动运行
sync-preferences脚本，将findings.md中的开发者信号整理进偏好记忆。 -
决策前回读：AI 在做重大决策前，会自动回读
task_plan.md和developer_preferences.md，确保不偏离你的目标和风格。 -
会话恢复：新会话启动时，运行
session-catchup脚本即可恢复上一轮的未同步上下文，无缝衔接。 -
完成检查：任务结束时，自动检查所有阶段是否完成，确保交付物完整。
5、核心文件一览
| 文件 | 作用 | 何时更新 |
|---|---|---|
task_plan.md |
目标、阶段、状态、关键决策、错误 | 每个阶段结束后或有重大决策时 |
findings.md |
调研发现、代码发现、开发者原始信号 | 每次重要发现后 |
progress.md |
过程日志、验证结果、错误日志 | 全程持续更新 |
developer_preferences.md |
已确认偏好、已批准模式、已否定做法、工作习惯 | 出现强信号后立即更新 |
6、脚本生态
| 功能 | 脚本 | 说明 |
|---|---|---|
| 会话初始化 | init-session.sh/.ps1 |
一键创建 4 个核心文件 |
| 会话恢复 | session-catchup.py/.sh/.ps1 |
分析对话日志，恢复未同步上下文 |
| 偏好同步 | sync-preferences.py/.sh/.ps1 |
自动整理开发者信号到偏好记忆 |
| 完成检查 | check-complete.sh/.ps1 |
检查所有阶段是否完成 |
| 工具前摘要 | pre-tool-summary.sh/.ps1 |
Hook：工具调用前展示计划与偏好 |
| 文件后提醒 | post-file-update.sh/.ps1 |
Hook：文件更新后提醒同步 |
7、总结与思考
通过打造 my-planning-skill，我最大的感悟是：与其不断优化 Prompt 来"讨好"模型，不如建立一个持久化的记忆系统，让 AI 真正"记住"你。
如果你经常因为 AI 忘了你的偏好而反复纠正，或者跨会话开发时总要重新解释约束条件，不妨试试这个 Skill。非常期待听到你们在长期协作中的体验反馈！
总评：18/25 | B级 | CONDITIONAL 
通过（Shannon熵 / 注入检测 / 三层审计全部PASS）
核心亮点（为什么给高分）
扣分点与修复建议
P0（必须修，修完预计+1分至19分 PASS）
三档提分路线
一句话总结