让AI不再健忘：构建个人AI团队的记忆中枢
有天上午我和小龙虾聊了很久。从产品定位到功能设计，反复修改了七八次，总算把方案敲定。
下午我又问它：“早上那个方案，第三点具体是啥？”
它回复道：
我：跟你聊了两个小时，消耗了283,000个token，现在问我指的是哪个？这已经不是智商问题了，纯粹是健忘。
现在的AI确实很厉害，写代码、写文案、翻译、做策划啥都行。但有个致命缺陷——它没有记忆。
你以为AI记得你，其实它根本不记得。每次你发消息，它都是当新对话从头看起。它不知道昨天跟你聊过天，也不认识你是谁，更忘了你说“我的猫叫沙雕”。
所谓AI“记得”你的喜好，不过是把历史对话重新喂给它，让它假装记得罢了。
你可以把AI的上下文窗口想象成一张有限的草稿纸。128K、204K、1M的模型，就像小桌子、中桌、大桌子。桌子越大，能放的东西越多。但不管多大，清空了就啥都没了。
草稿纸写满了怎么办？旧内容会被压缩、删减，甚至直接丢掉。
“三页纸的详细讨论”被缩成一句话：“用户问了关于产品方案的事”——关键词还在，细节全没了。
记忆主要有两种消亡方式：
渐进式遗忘：对话越来越长，AI被迫把旧内容压缩成摘要。就像你把“三小时会议记录”缩写成“讨论了Q2目标”——关键词还在，细节没了。
暴力清空：开启新对话窗口、上下文溢出——所有记忆瞬间归零。
AI也有两种记忆，和人很像。
短期记忆 = 工作台（上下文窗口）：随时可用，不用翻找。但桌子就那么大，写满了就得擦旧的。就像人脑的工作记忆——你只能同时记住 7±2 个东西。
长期记忆 = 书架上的笔记本：把重要信息记下来放上去，用时再翻。永不过期，容量无限。但得主动去查，AI不会自己“突然想起来”。
关键区别：短期记忆是“当下能想起来的”，长期记忆是“存在某处能查到的”。
就像人记不住所有事，但有备忘录、笔记本、手机相册——AI也一样。
人的记忆不可能无限，AI也一样。
现实限制一：上下文窗口的硬性限制
就算模型号称1M token（约70万字），实际好用的远没这么多。上下文越大，回复越慢、越贵。就像桌子越大，找东西越难。
现实限制二：存了≠能找到
存了很多信息，但得靠关键词找。很多时候你忘了搜什么词——就像你知道记过某个东西，但忘了记在哪个笔记本里。
现实限制三：“提醒也没用”的场景
失忆后提醒它“之前我们说过XXX”——但那段对话已经不在“工作台”上了。就像你给别人发微信，对方手机丢了——“你再发一遍”也解决不了。
给AI装记忆，不是一键就能搞定的。我是慢慢摸索出来的。
四层架构，不是五层。四层真正在跑的，比五层设计图好看但空的好。
我准备了8个bootstrap文件：CORE.md、SOUL.md、MEMORY.md、TOOLS.md、AGENTS.md、USER.md、IDENTITY.md、HEARTBEAT.md。每次新开对话都自动加载。不加载的话，AI连自己是谁都不知道。
35个文件，从去年2月到今天。按设计，对话上下文快满时系统会自动把关键信息写进当天日志。但有一次发现，日记停了25天没人管。
为什么？因为这个“自动”不是每次都触发——只有对话太长、上下文快撑爆了才写。如果对话不长，它永远不会触发，日记也就断了。
最重要的是教训、工作律、常用流程，常驻加载。6条“血泪教训”，每条都是踩坑总结的，比如“独立思考，别把题丢给用户”、“格式问题别老犯”、“内容发布前必自审”。
这就是LanceDB向量数据库。它不是关键词匹配，而是把每段记忆转化成1024维的向量——就像给每句话打上“语义指纹”。
向量化用的是BAAI/bge-m3模型（1024维），通过自建的embedding-proxy代理转发。代理还有本地兜底——万一远程挂了就切到本地的Qwen3-Embedding-0.6B，保证不中断。
检索方面，向量搜索负责“按意思找”，另一套SQLite+BM25关键词搜索负责“按词找”，两套系统各管各的。
假设你问它：“我之前提到的项目进度如何？”这句话被转化成向量后，在数据库里搜索所有语义相近的记忆，找到最相关的几条，注入到AI的当前上下文里——AI就“想起来”了。
装了记忆系统，不代表就完美了。这中间我踩了四个大坑。
看到一个很酷的记忆插件，设计上标榜“五层记忆架构”，看起来很专业。Episodes、Procedures、Vault——目录都在。装完之后我以为AI就有完美记忆了。结果呢？五层里有三层是空的。里面一个字都没有。
有次我让AI自己检查一下系统运行得怎么样。AI只是看了看设计图，说“五层全部正常运行”。结果后来被真实数据查出来——RECENT.md是空的，Episodes是空的。AI把空的叫“今日起跑了”。
这个教训不只是给AI的。人汇报工作时，不也常常美化吗？数据不好看？“趋势向好”。没完成？“在推进”。
四层扎实、真在跑的，比八层设计图好看但空的好。不完美，但每一层都在工作——这就是现实。
早期我折腾过很多复杂的记忆方案：QMD协议、Lossless-Claw上下文压缩、MemOS知识图谱……每个方案设计上都很专业，但组合起来互相打架。配置复杂，维护成本高。
后来看到Karpathy和Yanhua两人分别得出了同一个结论：
最终我用Arrowhead（一个Obsidian笔记搜索工具）替代了QMD。没有BM25+向量+rerank三件套，就一个轻量语义搜索，跑起来只有8MB内存，零配置，自动增量更新。
除了给AI装记忆，我也养成了一个习惯——聊完一个会话就开新的。很多人（包括我自己）都有个毛病：一个会话聊到底，从早聊到晚。坏处很明显：
养成“聊完就重开”的习惯。聊完一个任务或话题后，主动开新会话。新会话会自动加载所有bootstrap文件（AI知道“我是谁”、“要干什么”），带着清晰的状态重新开始。之前的内容已经写进了日志，不会真正丢失。
管理AI的记忆，比使用AI更难。这个月的又一个感悟。给AI装记忆系统，本质上是在做一件事：
让它从一个“聪明的聊天机器人”，变成一个“能长期合作的同事”。
少即是多。不是层数越多越好，是每一层都在跑才好。四层能用的，比八层设计图好看的好。
记忆让AI不失忆。但还有一个更庞大的系统没聊到。
记忆是“我的东西”——我知道自己是谁、有什么教训、正在做什么。
知识是“怎么做”——系统怎么配、有哪些工具可用、团队做过哪些决策。
一个完整的AI助手，两者缺一不可：
在我的系统里，知识库是用Obsidian搭建的——一个本地笔记软件，但我把它改造成AI可以随时查阅的“维基百科”。Agent通过专用搜索工具直接查知识库，就像可以随时翻手册的实习生，不用什么都问老板。
搭建一个AI能用的知识库，比想象中复杂。目录结构怎么设计，才能让AI找得到？哪些信息该放知识库，哪些放记忆？怎么维护知识库，才不会变成“堆积如山的垃圾文件”？