上下文囤积与骨架模板

底层原理有两条：(a) coding agents 极其擅长沿袭代码库中已有的模式——一个文件的风格样例就足以被拾取；(b) agent 能自己跑搜索工具，所以你可以把整块硬盘/整个仓库指给它，它会检索出需要的部分——上下文长度不再是硬约束。

机制一：囤积解法（hoarding things you know how to do）

• 职业价值的本质 = 你试过的方案清单（什么可行/什么不可行），新问题来时做组合（"2015 年用 Redis 做过 activity inbox + 2017 年用 Node.js 做过 rate limiting → 组合可解眼前这个新问题"）。AI 把囤积的边际成本打到近零。
• Simon 的实现：
  • simonw/tools 仓库：193 个 HTML+JS 小工具，每个封存一个"已验证可行"的点子；
  • simonw/research 仓库：公开 75 个 + 私有另 50 个 coding-agent 研究项目——让 Claude Code（常在手机上）"下载这个新软件、跑一跑、写报告"，产出是一个 markdown 文件。
• 质量关键：研究必须是 agent 真的写了代码、跑了代码、画了图的产物。一仓库未经验证的 deep research 网页汇总是 "LLM vomit"，几乎没有价值；跑过代码才"至少略微可操作"。

机制二：骨架模板（starting template）

• 每个新项目从一个薄模板起步：含一个 1+1=2 的测试、你喜欢的目录布局、少量 boilerplate。agent 会自动沿袭其中的一切模式（会继续写测试、沿用格式风格）。
• 这是长篇 CLAUDE.md 行为说明书的替代方案：与其用几段文字描述你希望它怎么工作，不如给一个体现这些偏好的最小骨架。Simon 备有 Python library、插件、CLI 工具三种模板。

使用方式：在 prompt 里直接给 URL/仓库名，让 agent 去读源码再干活。例："check out simonw/research 里与 WebAssembly 和 Rust 相关的项目，用它们来解决这个新任务"；更早的例子：把 PDF 展示工具和 OCR 工具两份旧代码同时给模型，"造一个能对 PDF 每页做 OCR 的新工具"——直接成功。

存放建议：选你信任、不会丢的系统。GitHub 私有仓库免费、备份到三大洲；默认公开反而更有利（自己好找、积累信誉、他人受益）。