告别 AI 编程“失忆症”：深度拆解 GSD 元提示系统，让 Claude Code 拥有 200k 永恒记忆

优质文章学习记录

— 6 min read

在 AI 编程圈子里，最近大家都在讨论一个让人头疼的现象：“上下文腐烂”（Context Rot）。

你可能也经历过：刚开始和 Claude Code 聊得火热，它对你的架构设计了如指掌；但随着对话轮数增加，它开始变得像条金鱼，忘记了半小时前才定好的接口规范，甚至开始在同一个 Bug 上反复横跳。这种“失忆症”本质上是由于 AI 的上下文窗口被大量的对话杂讯填满，导致关键信息被挤出了注意力范围。

为了解决这个问题，一个名为 GSD (Get Shit Done) 的元提示系统在 GitHub 上迅速蹿红，斩获 20k+ Stars。它不仅是 Amazon、Google 工程师的私藏工具，更是目前解决 AI 编程上下文管理的“天花板”方案。今天，我们就来深度拆解 GSD 的核心逻辑，看看它是如何给 AI 装上“外接大脑”的。

为什么你的 AI 会“变蠢”？聊聊上下文工程

很多人把 AI 编程当成聊天，但这恰恰是低效的根源。AI 的上下文窗口（Context Window）就像人类的短期记忆，容量再大也有上限。当你在对话框里不断粘贴代码、报错信息和新需求时，早期的架构决策和核心逻辑就会被覆盖。

GSD 的核心思想非常朴实且暴力：别把所有东西都塞进对话框，用结构化的文件来承载项目灵魂。

它在你的项目根目录下建立了四个“核心大脑”文件，形成了一套完整的上下文工程系统：

  • PROJECT.md：这是项目的“宪法”，记录目标、架构决策和技术栈。
  • REQUIREMENTS.md：这是“合同”，明确功能边界和验收标准，防止 AI 瞎猜。
  • ROADMAP.md：这是“地图”，拆解里程碑，让 AI 知道现在在哪，下一步去哪。
  • STATE.md：这是“备忘录”，记录当前进度和待办事项。

每次你开启新的一天，或者对话感觉陷入混乱时，只需让 AI 重新读取这些文件，它就能瞬间“魂穿”回项目状态，实现秒级同步。

Wave 执行：200k 上下文的“降维打击”

如果说四文件系统是静态存储，那么 Wave 执行（Wave Execution） 就是 GSD 的动态引擎。

面对一个上万行代码的大型项目，传统的做法是把整个仓库扔给 AI，结果往往是 AI 被信息淹没，输出质量直线下降。GSD 采用了“分治法”：它将复杂的开发任务拆分成多个独立的 Wave（波浪）。

每个 Wave 都是一个闭环的小任务，只加载与之相关的代码上下文（控制在 200k 以内）。这种精准打击的方式，确保了 AI 在处理每一个模块时，大脑都是“清醒”的。更厉害的是，GSD 支持多代理并行。你可以让 Research Agent 去调研选型，让 Planning Agent 拆解任务，让 Execution Agent 专心写代码。这种并行效率不是简单的加法，而是生产力的乘法。

实战演练：如何用 GSD 从零构建项目？

光说不练假把式。我们来看看如何通过 GSD 的六阶段工作流，快速启动一个项目。

首先，你不需要复杂的安装过程，一行 npx 命令即可开启：

# 初始化 GSD 环境，这会自动生成上述的四个核心 Markdown 文件 npx get-shit-done-cc@latest init my-awesome-project # 进入项目并启动新项目流程cd my-awesome-project npx get-shit-done-cc@latest new-project

接下来的流程非常有仪式感，但也极其专业：

  1. 讨论阶段 (discuss-phase)：AI 会抓着你问需求细节。比如你要做一个 Markdown 转公众号工具，它会确认图片存储、代码高亮等细节，并自动更新到 REQUIREMENTS.md。
  2. 规划阶段 (plan-phase)：AI 会根据需求拆分里程碑（Milestones）。你会看到 ROADMAP.md 里清晰地列出了 M1、M2、M3。
  3. 执行阶段 (execute-phase)：这是最爽的部分。你可以指定里程碑让 AI 开干：
# 让 AI 聚焦在第一个里程碑，开启 Wave 执行模式 npx get-shit-done-cc@latest execute-phase --milestone=1

在这个过程中，AI 会自动进行原子化的 Git 提交。你会发现，它的提交信息（Commit Message）规范得让人感动，完全符合 Conventional Commits 标准。

深度思考：GSD 真的适合所有人吗？

作为一名深度体验者，我认为 GSD 并非万能灵药。

它的优点显而易见：它强迫你进行“先设计，后编码”的专业实践。对于独立开发者或需要维护复杂遗留系统的工程师来说，GSD 提供的结构化视野能节省大量的沟通成本。特别是它的 analyze-codebase 功能，能让 AI 在两小时内梳理完数万行代码的逻辑，生成清晰的 Mermaid 架构图，这在以前是不可想象的。

但它的缺点也同样突出：

  • 流程较重：如果你只是想写个 50 行的 Python 脚本，用 GSD 就像是用大炮打蚊子。
  • 维护成本：你需要养成随时更新 STATE.md 的习惯，否则 AI 还是会根据旧信息跑偏。
  • 学习曲线：理解“上下文工程”和“Wave 执行”需要一点时间。

总结：从“聊天”到“工程”的跨越

GSD 的出现标志着 AI 编程正在从“玩具时代”迈向“工业时代”。它告诉我们，AI 的能力上限不仅取决于模型本身（如 Claude 3.5 或 Gemini），更取决于我们如何组织和喂养这些模型。

如果你也受够了 AI 的“金鱼记忆”，受够了在对话框里无休止地重复需求，那么 GSD 绝对值得你花一个下午去尝试。它不仅仅是一个工具，更是一套让 AI 真正成为“靠谱队友”的工程方法论。

工具应该为人服务，而不是让人去适应工具的复杂度。 GSD 把复杂性藏在了系统底层，留给我们的只有那句最简单的口号：Get Shit Done.

资源链接

Could not load content