核心用法
Context Continuity 是一套上下文续接与记忆管理机制，主要解决 AI 对话会话中断后的状态恢复问题。当用户表达"新建对话""继续""接着上次"等意图时，系统自动从 MEMORY.md（长期记忆）和 memory/YYYY-MM-DD.md（每日记忆）中提取当前任务、项目进展、未完成事项等关键上下文，生成 3-5 句话的简洁摘要，使用户无需重复说明即可无缝续接工作。
显著优点
- 无缝续接体验：打破会话边界，支持"继续上次的工作"等自然语言触发，大幅降低重复沟通成本
- 分层记忆架构：长期记忆（MEMORY.md）与短期每日记忆（memory/ 目录）分离，兼顾持久性与时效性
- 智能信息提取：自动筛选当前相关任务，过滤无关历史，摘要控制在 200 字以内
- 双向交互设计：既支持被动响应查询，也支持主动询问"是否需要记录到记忆"
- 隐私保护机制：明确标注敏感信息过滤原则，用户可控记忆内容
潜在缺点与局限性
- 文件依赖风险：若 MEMORY.md 或 memory/ 目录被误删、移动或权限变更，将导致上下文丢失
- 跨设备同步难题：基于本地文件的设计在多台设备/云端环境间难以自动同步
- 记忆膨胀问题：长期运行后 MEMORY.md 可能累积冗余信息，缺乏自动归档或清理机制
- 无冲突解决策略：多会话并发修改记忆文件时可能产生覆盖冲突
- 语义理解局限：触发词匹配为关键词模式，对复杂表达（如"回到三天前那个方案"）理解能力有限
适合人群
- 需要与 AI 进行长周期、多会话协作的深度用户（如开发者、写作者、项目经理）
- 处理复杂多步骤任务、需频繁回顾决策上下文的场景
- 重视工作连续性、厌恶重复说明偏好的效率导向用户
常规风险
- 数据持久性：仅依赖本地 Markdown 文件，无内置备份机制，建议用户自行同步至版本控制或云盘
- 隐私边界：虽然技能声明过滤敏感信息，但具体实现取决于执行环境的文件权限配置
- 记忆准确性：自动摘要可能遗漏关键细节，重要决策建议人工复核确认后再记录