让编码 Agent 记住你的代码偏好：Shadowclone 如何跨工具沉淀技能
同一位开发者在 Claude Code、Codex 和 Cursor 之间切换时，常会反复解释相同的约定：错误处理要怎样写、提交前要跑哪些检查、哪些目录不能动。把这些内容复制进每个工具的配置，既容易漂移，也很难把临时纠正变成可复用规则。Shadowclone 试图解决的正是这个交接问题：维护一套可编辑的 skills 和指令，并让多种本地编码 Agent 与 GitHub 云端 Bot 使用它们。
它同步的是指导规则，不是另一个 Agent
Shadowclone 的 README 将其描述为给现有 Agent 配备一致的技能，而非替代模型或 Agent。项目列出的本地工具包括 Claude Code、Codex、Cursor、Pi 和 Antigravity；同一组 skill 还可供 GitHub Actions 中运行的云端 Bot 使用。规则可以按个人、单个仓库或团队共享的 build 组织。
另一个重点是从会话纠正中学习。用户可以授权 Shadowclone 读取选定的会话来源，将可复用偏好整理成规则；规则保持可读、可编辑、可撤销。项目说明会话来源默认关闭，是否启用由用户逐项选择。因此它更像“偏好整理与分发层”，而不是把聊天记录直接灌进每次提示词的记忆库。
快速尝试
项目提供两种上手方式。README 推荐把 setup skill 链接交给支持的编码 Agent，由 Agent 协助安装和配置；如果希望手动安装，README 给出的命令是：
npm install -g @shadowclone/cli shadowclone init shadowclone wizard
初始化后，向导用于选择 skill 并配置适用范围。若团队需要共享规则，可把共享 build 纳入仓库版本控制；个人 build 则适合尚未准备团队统一规范的开发者。先从少量、边界清晰的规则开始，避免把“个人偏好”“仓库约束”和“安全要求”混成一份无法维护的长清单。
安装命令及功能以项目当前 README 为准；正式使用前应查看项目文档和当前版本要求。
自动学习应当保留人工审核
Shadowclone 的设计强调规则可审阅和可撤销。README 还描述了自动维护选项：新会话产生的候选规则会与现有指导进行比对，重复内容可被丢弃，持久规则可在启用自动维护时纳入指导。对团队而言，比较稳妥的做法是把自动学习当作“提出变更”，而不是无条件授权它重写规范：定期查看新增规则，确认适用仓库、措辞边界和是否存在敏感信息，再决定是否共享。
这类工具尤其适合偏好明确、且经常跨 Agent 工作的开发者。例如，某次代码审查指出“不要在 API handler 中吞掉异常”，与其只在当前会话里修一次，不如将它整理为适用范围明确的 skill。相反，某个项目的一次性临时要求不应提升成全局规则，否则未来的仓库可能被错误约束。
云端协作的便利与边界
项目还提供 GitHub Bot：在 Pull Request 或 Issue 工作流中由 Bot 执行任务，并使用所选的技能。README 说明，Bot 通过 GitHub Actions 运行，可配置 Anthropic、OpenAI、OpenAI 兼容端点或 Cursor 等提供方；API Key 保存在 GitHub environment，Shadowclone 声称不会接触密钥。拥有写权限的协作者可以触发 Bot，因此仓库管理员仍应为模型提供方设置消费限额，并仔细审查 Bot 创建的改动，合并权不要交给自动化流程。
云端与本地共用规则，也意味着团队规则的变更会影响更多执行环境。建议将高风险操作、部署权限和密钥处理要求写成明确约束，并通过 PR 审核共享 build 的修改。任何“Agent 会遵守”的说明都不能替代 CI 检查、最小权限和人工审批。
采用前要核对的几件事
Shadowclone 是较新的 TypeScript 项目，GitHub 仓库标注 MIT 许可证。README 提到其学习评测使用 24 个固定任务，并报告在四种模型配置下的偏好遵循分数提升；这属于项目自述的合成任务评测，不应直接等同于真实团队生产收益。若评测结果影响选型，应阅读其方法、任务集和限制，而不只引用汇总百分比。
还要确认当前 CLI 的命令、支持的 Agent 和隐私处理方式是否符合自己的环境。项目文档包含技能安装、学习、数据处理和云端 Bot 指南；配置会涉及本地会话来源与 GitHub 工作流，宜先在个人测试仓库试用，再推广到团队。最重要的是让每条规则都能追溯、解释和撤销：Agent 学会偏好可以减少重复沟通，但规则的最终责任仍应由开发者承担。
相关链接