Appending 指在 AI 编程工具的指令与上下文管理中，通过不断向配置文件（如 CLAUDE.md、AGENTS.md）追加内容的方式来传递约定与偏好的做法。它是当前 Agent 工作流中最常见的配置模式，但也因文件持续膨胀、指令冲突和 Token 成本上升而引发讨论。围绕 Appending 的核心争议在于：追加虽然简单直观，却容易让指令文件失去结构，反而降低 Agent 的执行质量。
Appending 的近期进展
当前焦点与观察点
目前关于 Appending 的讨论集中在三个问题上。其一是上下文膨胀与成本的权衡：追加的每条规则都会占用窗口并在多次调用中重复计费，Cursor 团队的方法论说明厂商已开始将其作为工程问题认真对待。其二是指令冲突：多次追加的规则可能彼此矛盾，Agent 面对冲突指令时的行为难以预测，社区普遍建议以分层配置和定期修剪替代无限追加。其三是工具演进方向：Claude Code 等产品正在提供记忆整理、子代理拆分等机制，把原先由用户手动追加的内容改为结构化管理。
观察点在于，Appending 作为低成本入门方式仍会被默认采用，但最佳实践正从"持续追加"转向"追加 + 审查 + 分层"的组合。对于维护大型 Agent 项目的团队，配置文件的治理（谁追加、何时删、如何去重）可能成为新的流程议题。