AI Context Kit: один Git-репозиторий с Markdown вместо копий контекста в ChatGPT и Claude

Знакомая ситуация: продакт делает дизайн в одном AI, аудит в другом, а иногда прогоняет одну задачу через несколько сервисов, чтобы сравнить результат. Каждый раз приходится заново рассказывать, что за продукт, какие у него ограничения и что уже решили. Если в одном чате что-то поменялось, остальные продолжают жить со старой версией реальности.

Автор материала на Habr предлагает простое решение: не копировать контекст между платформами, а держать его в одном месте. Так появился AI Context Kit, открытый набор шаблонов для Git-репозитория.

Как это устроено

AI Context Kit не сервер, не MCP и не отдельная AI-платформа. Это структура папок и правила работы с ней. В корне лежит PROJECTS.md, реестр проектов. Для каждого проекта создаётся папка с тремя файлами:

• PROJECT.md: относительно постоянная информация, то есть цели, аудитория, границы и ограничения.
• CONTEXT.md: самая динамичная часть, где фиксируются принятые решения, результаты, открытые вопросы и следующие шаги.
• INSTRUCTIONS.md: правила для самого AI. Как использовать документы, когда предлагать правки и как согласовывать их с пользователем.

Разделение не случайно. Цели могут не меняться месяцами, а решения обновляются каждую неделю. Так можно править текущее состояние, не переписывая описание всего проекта.

Пример на практике

В демонстрации создан проект product-launch, сервис планирования личных задач. Концепцию интерфейса прорабатывают в ChatGPT, подключив GitHub-репозиторий и указав в Project Instructions нужную директорию. Принимается решение: главный экран показывает задачи на сегодня, а календарь остаётся дополнительным видом. Решение записывается в CONTEXT.md.

Дальше аудит делается в Claude. Ему подключают тот же репозиторий и просят прочитать актуальный CONTEXT.md. Claude видит решение по главному экрану и сразу работает с ним, без пересказа обсуждения из ChatGPT. Важная деталь: в общий контекст попадает не вся переписка, а только решения и то, что нужно на следующих этапах.

Где подход ломается

Автор честно перечисляет ограничения. Во-первых, автоматической синхронизации нет. Где-то есть встроенная интеграция с GitHub или MCP, а где-то файлы придётся передавать вручную. Во-вторых, инструкции в Markdown не гарантируют, что модель прочитает все файлы и выполнит все правила, поэтому стоит проверять, какой контекст она реально использовала.

Есть и риск конфликтов: если два AI одновременно правят CONTEXT.md, изменения можно потерять. Для этого предлагается сверять версию файла перед записью, например по SHA, если интеграция умеет условную запись. Правки сохраняются только после согласования с человеком.

Отдельно про безопасность. Для непубличных проектов нужны приватные репозитории, а секреты в них хранить нельзя. Папки не дают изоляции прав, поэтому проекты с разными уровнями доступа лучше разносить по разным репозиториям.

Что с этим делать

Идея не революционная, но практичная: контекст живёт в Git, а не в памяти конкретного сервиса. Вы получаете историю изменений, ревью правок и независимость от вендора. Для команд, которые уже используют несколько моделей, это дешёвый способ убрать ручное копирование.

Начать можно с малого: заведите репозиторий, перенесите туда цели проекта и список принятых решений, подключите его к двум своим основным AI-инструментам. Главное условие успеха не технологическое, а дисциплинарное. Если решение не попало в CONTEXT.md, следующий AI о нём не узнает. Контекст остаётся актуальным ровно настолько, насколько аккуратно вы его обновляете.