六个月后，我拥有了自己的上下文层，任何AI工具都能接入。但我的Claude Code技能仍然不能。

模型正在快速商品化。工具（harnesses）已经如此。我在意的是我的上下文：我的研究、笔记和领域知识，而不是工具。我最大的问题是，我的技能被锁定在Claude Code生态系统中，比如它们的智能体和工作流逻辑。即使我转向开源工具如Pi、Hermes、OpenCode，我仍然会遇到同样的问题。上下文层在你有意设计之前是不可移植的。所以我的观点是，“免费”的开源工具并不能让你真正自由。你真正想拥有的是上下文层。以下是我从零开始构建两个个人助手的经验：Scrabble（作为基于Obsidian、Readwise、Notion和Google的LLM Wiki）和Tree（作为基于知识图谱的MCP服务器）。以下是我如何设计我的上下文层以实现真正的自由：我把记忆从工具中抽离出来。上下文层由三部分组成：统一记忆、业务逻辑和服务层。而顶部的工具现在是可以替换的。保持记忆层尽可能简单。从文件系统开始，迁移到支持文本、向量和图搜索的单一数据库（如MongoDB），只有在真正必要时才使用多个专用数据库。我将记忆和业务逻辑封装在MCP服务器（或技能）后面。在Tree中，它们是MCP工具，因此“交换工具，保留记忆”只需一行配置更改。我将Claude Code切换到Codex，只需重新指向一个配置条目，我的记忆就跟着过来了。它用得多就更智能。我为智能体提供高级原语：Tree有6个工具，3个用于搜索，3个用于写入。一个钩子大约每10轮对话自动摄取一次。通过这种设计，上下文层的数据可以在不同工具间轻松移植。我最大的问题是，技能被束缚在工具的约定上。我看到的唯一解决方案是让技能变得非常通用（牺牲一些功能），或者将所有内容迁移到MCP服务器上，这会增加复杂性。目前，我的一些技能仍然与Claude Code的工作流和智能体逻辑耦合。好奇你们是如何让技能在不同工具间更加可移植的？TL;DR：拥有上下文层，而不是工具。通过MCP工具（或技能）提供的统一记忆，让你可以用一行配置将Claude Code切换为Codex，并保留所有内容。大约10轮对话的摄取钩子让它随着使用变得更智能。