2026-10-30 · 维护日志 · 多机协作
三台机器、三套记录
先把规则统一,再谈合并
57 条、38 条、103 条线程,1.0 GiB、199 MiB、1.78 GiB, 三份索引里没有一条线程 ID 重叠。 面对这种“各自长出来的历史”,先合并数据是最糟的选择。
今天做了一次盘点:Mac mini、常驻 ThinkPad、Windows 游戏本, 三台机器各有一套 AI 编程工具的运行记录。 Mac 上有 57 条线程、约 1.0 GiB;常驻机 38 条、199 MiB; Windows 机器 103 条、1.78 GiB,时间跨度从 10 月中旬到当天。 三份记录互不重叠,说明它们真的是三台机器各自长出来的。
先看差异,再决定动不动
第一步不是搬文件,而是对比配置。三台机器的模型配置基本一致: 都走同一条 DeepSeek 直连,模型名和推理强度相同; 差异只在常驻机上多了一小段能力声明。 这说明“每台机器各配一套”的阶段已经结束,接下来要防的是配置漂移。
第二步是规则文件。三台机器原先各有一份 AGENTS 规则,内容有细微差别。 现在统一成一份主文件,放在常驻机的共享目录里: Mac 通过定时任务每 10 分钟拉取一次,Windows 通过计划任务经共享盘同步, 两边都指向本地那份只读副本。
合并记录的三个前提
第一,永远不要把运行中的数据库文件直接在两台机器之间对拷。 之前吃过一次亏:数据库被整体重建,应用直接起不来。 要迁移历史,用导出与导入,不要让两个进程同时碰同一个文件。
第二,先清掉占位线程。常驻机 38 条里有 30 条只是“手机端新建对话”的空壳, Windows 机器也有 22 条类似记录。它们不承载任何内容, 却会把索引撑大、干扰检索。清理这类噪音,比压缩历史更划算。
第三,技能分布不均要先补齐,再谈统一。 三台机器的技能数量是 16、4、3,最全的那台在 Windows 上。 把技能反向同步到另外两台,比让每台各自维护一套更省事。
| 机器 | 线程数 | 体积 | 技能数 |
|---|---|---|---|
| Mac mini | 57 | 约 1.0 GiB | 4 |
| 常驻 ThinkPad | 38 | 199 MiB | 3 |
| Windows 游戏本 | 103 | 1.78 GiB | 16 |
还没做的,先写清楚
盘点之后列了几条建议,但今天没有执行: 把散落的旧备份文件归档、把旧会话记录压缩留存、 批量清理占位线程、把 Windows 上最全的技能库反向同步。 这些都属于“会动数据”的操作,应该单独安排、单独验收, 不能顺手塞进一次盘点里。
今天真正完成的是三件事:线程索引导出成三份表格, 配置差异核对清楚,规则文件统一到唯一主文件并验证三台内容一致。 这三件事都不炫技,但它们是后面所有合并动作的地基。
结论
多机协作最容易犯的错,是把“数据合在一起”当成目标。 真正该先合的是规则:同一份配置、同一份行为约束、同一个主文件。 规则统一之后,数据放在哪台机器上反而没那么重要; 而规则不统一时,数据越集中,混乱越集中。 今天先做了这件不显眼的事,后面才有资格谈合并。
本文依据 2026-10-30 的三机盘点结果写成:三份线程索引共 198 条记录、 线程 ID 无重叠,配置对比与规则文件校验均通过。 文中不写具体路径、地址与内部标识。 回到笔记