Context Infrastructure

打通 AI 的大脑和双手

同一个模型，不同的 scaffold，产出完全不同。当 claude.ai、记忆系统、Claude Code 三者割裂时，你的 AI 永远只能说正确的废话。用 MCP 打通它们。

Wayne Zhang · 2026.04 · 基于 鸭哥 Context Infrastructure 的实践延伸

从鸭哥的洞察说起

决定 AI 产出质量的，不是模型智能，而是 context。

2026 年 3 月，鸭哥用一个实验证明：两个人用了同级别的模型、同样的工具、同样的 prompt 做同一个调研，唯一差别是背后的 context。

一个输出 checklist，正确但没用；另一个输出 insight，有立场的判断。

更好的模型和更复杂的 prompt 不能突破 consensus 天花板。你需要用足够密度的个人认知 context 压过训练时的 consensus prior。

同一个大脑，不同的身体

claude.ai 和 Claude Code 是完全不同的 agent。

差异不在模型权重，在 scaffold。SWE-Bench Pro 的数据很说明问题：同一个模型在不同 scaffold 下的表现差异可达 22 个百分点，而不同模型之间的差异在前沿水平只有约 1 个百分点。

claude.ai对话 · 反思 · 跨 session memory
深度记忆判断原则 · 偏好 · 模式
Claude Code文件 · bash · auto memory · subagent
← 对话质量执行能力 →

核心问题：聊天入口、深度记忆、执行层三者割裂，没有共享状态。

试过的死路

不是所有“能连上”的方案，都适合作为日常入口。

方案 1

Notion 中间层

claude.ai 和 Claude Code 都能通过 MCP 连 Notion。但每次读写 3-5 秒，对话中频繁拉取体感拖沓。

方案 2

REST API

claude.ai 的 web_fetch 只能 GET，不能 POST。读通了，写还是断的。

方案 3

手动同步

claude.ai 生成文件、下载、拖到本地目录。可行，但对 ADHD 不友好，两周后一定会废弃。

解法

MCP Server

claude.ai 唯一支持的双向 tool call 协议。读和写都是原生 tool 调用。

MCP：唯一的双向通道

本地跑 MCP server，通过 Cloudflare Tunnel 暴露到 claude.ai。

MCP（Model Context Protocol）让 AI 能调用外部工具和数据源。claude.ai 支持添加自定义远程 MCP server 作为 connector。

Tools

五个基础能力

读文件、写文件、追加文件、列目录、执行 bash 命令。这意味着 claude.ai 不只是能读写记忆文件，而是能操作本地执行层。

Connector

双向 tool call

读和写都走 MCP tool 调用，不受 GET/POST 限制。聊天入口终于可以连接本地状态。

安全与持久化

不是把机器裸奔上公网，而是用两层约束控制入口。

Security

URL secret path

认证不用 OAuth，而是在 URL 路径里嵌入 43+ 位随机字符串。不知道完整路径就调不通，暴力扫描组合数约 10⁷⁷。

Physical layer

电脑关了，Tunnel 就断

额外的物理安全层：不用的时候天然不可访问。

Persistence

Cloudflare Named Tunnel

URL 固定不变，claude.ai connector 配一次永远不改。

Runtime

macOS launchd

开机自启、挂了自重启。网络切换时 cloudflared 自动重连。

最终架构

大脑、神经、认知底座、双手。

claude.ai 大脑 — 思考 · 对话 · 蒸馏 跨 session memory · memory edit 规则 MCP tool calls MCP Server + Cloudflare Tunnel 神经 — 桥接远程和本地 本地文件系统 memory/profile.md memory/axioms.md memory/observations.md 共享认知底座 Claude Code 双手 — 执行 · 编码 · 构建 CLAUDE.md · auto memory auto dream · subagent 直接读写

两个 Agent 的分工

不是合并成一个系统，而是让两个系统共享状态。

claude.aiClaude Code
擅长对话、反思、蒸馏、判断执行、编码、文件操作、调试
记忆系统跨 session memory + memory editCLAUDE.md + auto memory + auto dream
记忆维度认知层：判断原则、偏好、模式操作层：架构偏好、代码规范、工具链
共享状态通过 MCP 读写 memory/ 目录直接读写 memory/ 目录

两个 agent 各自在自己擅长的维度积累 context，通过共享文件层同步关键认知。

大脑指挥双手：tmux 模式

复杂任务不能靠 120 秒的 command timeout。

MCP 打通了读写管道，但 run_command 有 120 秒超时限制。复杂任务需要通过 tmux 启动持久 Claude Code 交互 session。

模式适用场景超时
run_command简单 bash：ls, cat, git status120s
claude -p中等复杂度、一次完成的任务120s
tmux 持久 session复杂多步骤、需要错误处理的任务无限制
你在 claude.ai 里说一句话，claude.ai 通过 MCP 调度 Claude Code 去执行一切。

记忆系统：从观察到公理

记忆不是堆材料，而是把稳定模式蒸馏成判断原则。

L1

Observer（日常观察）：对话中识别有意义的观察，追加到 observations.md。

L2

Reflector（定期整理）：每 2-3 周扫描 observations，合并重复，识别跨场景的稳定模式。

L3

Axiom（判断原则）：从稳定模式中蒸馏决策原则，写入 axioms.md。

区别在于蒸馏引擎：鸭哥用 Python 脚本 + cron；本系统用 claude.ai 本身作为蒸馏引擎，在对话中主动识别、提炼、写入。

诚实的部分

触发不是确定性的。现在只能堆冗余，不能追求完美自动化。

claude.ai 的工具机制由 Anthropic 平台层定义。不能给 MCP 加 auto-load hook，也不能修改工具触发逻辑。能做的是通过文本指令告诉 Claude “记得做这件事”。

主力

Skill

description 写清触发条件，几乎所有非闲聊话题都匹配。触发后按步骤加载 MCP、拉取 memory、识别落盘时机。

兜底

Memory Edit

跨所有对话自动注入一条规则：“对话涉及工作/决策时，先加载 Wayne MCP”。

最后防线

人肉兜底

如果重要对话发现 Claude 没有自动加载 MCP，说一句“先加载记忆”。

跟鸭哥的关系

一个解决 context 怎么积累；一个解决 context 怎么流动。

鸭哥的系统本系统
解决的问题Context 怎么积累和蒸馏Context 怎么在割裂的工具间流动
聊天入口Claude Code / OpenCodeclaude.ai
蒸馏引擎Python 脚本 + cronclaude.ai 对话中主动触发
连接方式全在本地，无需桥接MCP + Cloudflare Tunnel