事情是这样的。

前几天，我在宿舍里赶一个课程项目的前端页面，用Copilot来帮我写React组件。写了一半，Copilot帮我搭了一个挺漂亮的数据卡片组件，配色、布局、响应式都处理得很好。我当时还挺满意的，跟舍友说了一句，你看这玩意，比我手写强多了。

舍友瞥了一眼屏幕，说了句，行啊，那你让它明天帮你写另一个页面的组件，看看它还记得你的配色风格不。

我当时没当回事。

今天下午，我新开了一个Copilot的会话，让它写另一个页面的组件。我把需求描述丢进去，然后等了十几秒，结果出来了。

配色完全不一样。布局风格也变了。甚至连之前我特意让它用的那个圆角参数，它都给我改成了直角。

就好像昨天那个会话，从来没有发生过一样。

我盯着屏幕看了大概有五秒钟，脑子里就一个念头。

又来了。

这种感觉，其实我早就习惯了。用Copilot写代码，用Cursor做项目，每次新开一个会话，AI就像一个刚入职的新员工，什么都不知道，什么都得从头交代一遍。你昨天跟它说的那些偏好、那些踩过的坑、那些「不要这样写要那样写」的经验，它一个字都不记得。

我舍友更夸张。他前阵子用AI帮他写了一份商业计划书，改了好几版，终于改到一个他自己觉得挺满意的状态。然后他关了电脑，第二天重新打开，新会话，让AI继续优化。

AI问他，请问您的项目是做什么的？

我舍友当时那个表情，我至今都记得。

他不是生气，他是那种，真的无语了的感觉。就好像你跟一个人聊了三个小时，把你的创业想法从头到尾讲了一遍，对方频频点头，还给了你很多不错的建议。然后第二天你去找他，他看着你，一脸真诚地问，你好，请问我们认识吗？

这不是bug。

这是AI的架构特性。

上期我们聊了系统论，聊了AI不是一个工具而是一个系统，有组分有结构有功能有环境。如果你还没看，强烈建议回去补一下，因为今天要聊的东西，是上期的延续。

上期结尾我说过，下一期我们要深入到系统的内部运作，看看它到底是怎么运转的。今天，我们就来拆这件事。

AI的「失忆」，其实是理解整个AI系统运作机制的一个绝佳入口。因为当你搞明白它为什么会失忆，你也就搞明白了，怎么让它不再失忆，甚至，怎么让它越用越强。

先说一个概念，叫上下文窗口。

这个词听起来很技术，但其实特别好理解。你可以把它想象成AI的「工作台」，或者更直白一点，AI的「短期记忆」。

每次你跟AI对话，你说的每一句话，AI回复的每一个字，系统提示词里的每一条规则，工具定义里的每一个参数，全部都塞在这个上下文窗口里。AI能「看到」和「处理」的所有信息，就是这个窗口里的东西。

关键来了。

这个窗口是有容量的。

Claude最新的Sonnet 4.6和Opus 4.6已经支持100万token的上下文窗口了，GPT-4.1也是100万，Gemini 2.5 Pro同样是100万，后续还要扩展到200万。听着很多对吧，但你要知道，一段中等长度的代码加上对话历史，几万token就没了。如果你让它读一个大型项目的代码库，一个上下文窗口可能根本塞不下。

更关键的是，这个窗口是瞬时的。

什么叫瞬时？就是会话结束，窗口清空，一切归零。你昨天跟AI聊的那三个小时，那些精心调整的参数、反复讨论的方案、踩过的每一个坑，在会话结束的那一刻，就全部蒸发了。不存在了。好像从来没有发生过。

这就是AI「失忆」的根源。

它不是故意不记得你。它是从架构上就没办法记住你。上下文窗口的设计，决定了AI只能活在「当下」，只能看到当前会话里的信息。一旦会话关闭，它的世界就重置了。

说到这里，我突然想起了以前自学《系统之美》的时候，德内拉·梅多斯在书里反复提到的一个概念。

存量与流量。

梅多斯是Jay Forrester的学生。Forrester是谁？MIT的教授，系统动力学的创始人，1960年代就在MIT搞出了这套东西。他当时用存量-流量模型来分析城市人口、供应链、全球经济，几乎所有复杂系统都能用这个框架来拆解。

存量-流量模型的核心思想特别简单，简单到你可能会觉得「就这？」

存量是系统的状态，流量改变存量。

就这么一句话。但这个框架的威力在于，它几乎可以解释一切。

一个水库，水位是存量，流入的雨水和流出的灌溉用水是流量。

一个银行账户，余额是存量，存入和取出是流量。一个人的体重，当前的公斤数是存量，每天吃进去的卡路里和消耗的卡路里是流量。

你发现没有，存量是相对稳定的，而流量是持续变化的。存量是系统「记住」的东西，流量是系统「正在经历」的东西。

回到AI这个系统。

上下文窗口里的所有信息，对话历史、用户输入、系统提示词、工具返回结果、RAG检索出来的文档，全部都是流量。

它们在会话进行的时候持续流动，持续被AI接收和处理。但它们是瞬时的，会话一结束就消失了。就像流过水库的水，如果没有被蓄起来，就白白流走了。

那存量是什么？

存量就是那些被持久化、可以跨会话复用的东西。

比如你写在一个文件里的规则，告诉AI「我的项目用TypeScript，不要用JavaScript，组件风格遵循Atomic Design，配色用我定义的那套Design Token」。这个文件，不管你开多少个新会话，AI都能读到。它就是存量。

比如你把上次踩坑的经验写进了一个文档里，「这个API在并发超过100的时候会超时，要用队列处理」。下次新会话，AI读到了这个文档，就不会再犯同样的错。这也是存量。

比如你把常用的代码模板、项目结构、部署脚本都整理好了放在仓库里。AI每次新会话都能访问到这些文件。这还是存量。

流量决定了AI「当下能做多好」。你这次会话的上下文质量越高，AI这次的输出就越好。但一旦会话结束，这些高质量的上下文就没了，下次又得从头来。

存量决定了AI「长期能走多远」。你积累的规则文件、经验文档、知识库越丰富，AI每次新会话的起点就越高，不需要每次都从零开始。

所以问题就变成了一个特别朴素的公式。

存量等于流量乘以沉淀效率。

流量就是你跟AI交互过程中产生的所有有价值的信息，你的需求描述、你的反馈修正、你踩过的坑、你总结出的最佳实践。

沉淀效率就是这些信息里，有多少被你有效地保存下来了，变成了跨会话可复用的存量。

这个公式的妙处在于，它把一个看似玄学的问题「怎么让AI越用越强」，变成了一个可以操作的工程问题。你要做的就两件事，要么增加流量中的有价值信息，要么提高沉淀效率。

但坦率的讲，增加流量这件事，其实不太需要刻意去做。只要你持续使用AI，持续跟它交互，流量自然就在产生。真正拉开差距的，是沉淀效率。

沉淀效率取决于三个东西。

第一个，记忆架构设计。就是你有没有一套系统化的方式来组织和管理AI的记忆。不是随便写个文档丢在那里，而是有一套清晰的结构，AI知道去哪里找什么信息。比如用AGENTS.md来存项目基本信息和工作规范，用MEMORY.md来存历史经验和关键决策，用专门的Skill文件来封装反复使用的操作流程。这些东西不是拍脑袋想出来的，是一套有设计感的架构。

第二个，反馈回路质量。就是你有没有把使用AI过程中产生的反馈，有效地回流到存量里。AI这次犯了一个错，你纠正了它，但如果只是纠正了就完了，下次新会话它还会犯。你得把这个纠正记录下来，写进规则文件或者经验文档里，让下次的AI能读到。这就是反馈回路。没有反馈回路的系统，就像一个永远不会从错误中学习的人，永远在同一个地方摔倒。

第三个，沉淀路径的成熟度。就是从「发现一个有价值的经验」到「把它变成存量」这个过程，有多顺畅、多自动化。如果你每次都得手动复制粘贴、手动整理文档，那沉淀路径就很粗糙，你的惰性迟早会让你放弃。但如果这个过程是半自动化的，比如AI自己会在会话结束前把关键经验写入记忆文件，那沉淀效率就完全不一样。

说到控制机制这个事，其实还有一层更深的逻辑。

系统动力学里有个概念叫控制机制，分两种，前馈控制和反馈控制。

前馈控制，就是在事情发生之前就设定好规则，指导系统该怎么运作。放在AI系统里，System Prompt、AGENTS.md、Skill指令、Tool Schema，这些全都是前馈控制。它们在AI开始工作之前就告诉它，你是谁，你的工作规范是什么，遇到什么情况该怎么处理。

反馈控制，就是在事情发生之后根据结果来调整。测试反馈、人类反馈、实践反馈，这些是反馈控制。AI写了一段代码，跑不过，这是测试反馈。你觉得它写的不好，让它改，这是人类反馈。用了几天发现某个方案有问题，回头调整规则，这是实践反馈。

这两种控制缺一不可。

没有前馈控制，AI就没有一致性，每次都按自己的理解来，风格、规范、质量全靠运气。没有反馈控制，AI就无法从错误中学习，永远在原地踏步。

其实你想想看，这不就是人学习的模式吗。你上学的时候，老师教你的知识、课本上的公式、爸妈告诉你的道理，这些是前馈控制，在你遇到问题之前就给了你一套框架。而你做题做错了、考试考砸了、工作踩坑了，然后反思总结，这些是反馈控制，让你在错误中成长。

AI也一样。只不过AI更极端，因为它天然没有跨会话的记忆能力，所以它的前馈控制和反馈控制，必须由你来设计和维护。

这也是为什么，同样是用AI，有些人用了一年还是觉得「AI也就那样」，而有些人用了几个月就已经能让AI成为真正的生产力工具。区别不在于谁更聪明，在于谁更早想明白了流量和存量的关系，谁更早开始有意识地把流量转化为存量。

我自己的感受是，这个转变其实挺微妙的。

一开始用AI的时候，你不会觉得有什么问题。每次新会话，重新描述一下需求，AI就能干活，感觉还挺方便的。但随着你用得越来越深，项目越来越复杂，你会发现你花在「重新交代背景」上的时间越来越多。你开始烦躁，开始觉得AI怎么这么蠢，昨天不是已经说过了吗。

这个阶段，大部分人会怎么做？要么忍着，要么换一个「更好」的AI工具，觉得是工具的问题。

但其实问题不在工具，在于你还没有建立一套让AI「记住」的机制。

当你开始有意识地把经验、规则、偏好沉淀成文件，当你开始为AI设计一套记忆架构，你会发现一个特别神奇的事情。

AI真的变强了。

不是因为它本身变聪明了，而是因为它的起点变高了。每次新会话，它不是从零开始，而是站在你之前所有积累的基础上。你踩过的坑它不用再踩，你总结的最佳实践它可以直接用，你的工作规范它已经了然于胸。

这就是存量复利。

回到Forrester。

1960年代，他在MIT创建了系统动力学，提出了存量-流量模型。这个模型最初是用来分析工业系统的，后来被应用到城市规划、供应链管理、环境政策，甚至全球经济模型。Forrester的学生德内拉·梅多斯后来写了《系统之美》，把这套思想推广给了更广泛的受众。

但我觉得，Forrester最大的洞察不在于他发明了这个模型，而在于他看到了一个很多人看不到的事实。

存量-流量关系，是理解所有系统的钥匙。

不管是水库、银行账户、人体新陈代谢，还是一个AI助手的工作记忆，底层都是同一套逻辑。流量在持续变化，存量在相对稳定中缓慢积累。系统好不好用，不取决于某一刻的流量有多大，而取决于有多少流量被有效地转化成了存量。

你跟AI交互产生的每一次对话、每一条反馈、每一个经验，都是流过系统的水。如果你不建水库，这些水就白白流走了，你的AI永远在原地打转。如果你建了水库，哪怕一开始很小，只要水在持续流入，存量就会不断增长。

时间一长，差距就出来了。

其实说到这里，我还想承认一件事。

我自己也还在摸索这套东西。我说的这些道理，听起来挺清楚的，但真正落地的时候，你会发现有很多细节要处理。什么时候该沉淀，什么时候不该沉淀，沉淀的信息怎么组织，怎么避免信息过载，这些都是需要在实际使用中不断调整的。

我不是什么AI专家，也不是什么系统论大师。我就是一个AI编程的实践者，自学了一点系统动力学的知识，然后在日常使用AI工具的过程中，慢慢发现了一些规律。这些规律可能还不成熟，但我觉得，分享出来，至少能帮一些跟我一样在摸索的人少走一点弯路。

所以，屏幕前的你，下次再遇到AI「失忆」的时候，别急着骂它蠢。

停下来想一想，这个问题，是不是因为我没有给它足够的存量？

我是不是每次都让它从零开始，然后期望它表现得像记住了一切？

我是不是只顾着往系统里灌流量，却从来没有认真建过水库？

如果你开始想这些问题，恭喜你，你已经比大部分AI用户往前走了一大步。

下期，我们会聊一个更具体的话题，让AI记住经验，从一条规则开始。我会手把手地展示，怎么把你在使用AI过程中积累的经验，变成一条条可执行的规则，让AI每次新会话都能站在你肩膀上。

如果你现在就已经迫不及待想试试，可以先做一件事。打开你的AI工具，新开一个会话，把你最常用的那条工作规范写下来，保存成一个文件。就一条，不用多。

你会发现，下次新会话的时候，AI好像突然变聪明了一点点。

就一点点。

但这一点点，就是存量复利的起点。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。