我们把 AI 的记忆层建在了 1970 年代的文件系统上
为什么我们把 AI 记忆层建在 1970 年代的文件系统上，以及为什么它会比每一代云端向量库活得更久。 Markdown 文件。YAML 元数据。SQLite。Tantivy。一个 1970 年代的文件系统，一个 1991 年的标记格式，一个 2000 年的内嵌数据库，一个安静地驱动着半个开源世界的搜索索引。这里没有任何东西是奥巴马第二个任期之后发明的。没有任何东西拿过 Series C 融资 。 我们选这套技术栈，不是因为它聪明。是因为它全部都通过了软件世界唯一真正重要的考试 —— 时间 。 技术债的最危险形态，不是建在老技术之上。是建在还没被时间清洗过的新技术之上， 一套还没公开失败过、被迫 fork 过、被维护方默默 deprecated 过、被恐慌迁移过的技术栈。向量数据库 作为一个产品类别，大约三岁 。Markdown 三十五。SQLite 二十六。纯文本比 UNIX 还老。我们把记忆层押在已经证明自己杀不死 的那一层上。 一 · 精度：确定性 vs 概率性 一个 SQL SELECT 是确定性操作 。同样的查询、同样的表，连续运行一万次，返回完全相同的结果集。字节级一致。没有舍入、没有 temperature、没有模型版本、没有 embedding 漂移。这一行要么在，要么不在 。 向量相似度查询，是一个披着确定性外衣的概率性操作 。 同一个 cosine query 跑两次，经常 得到一样的 top-k。但经常 ≠ 始终 。不同版本的 embedding 模型对同一段输入文本会产生不同的向量。不同的 ANN 索引实现 —— HNSW、IVF、Annoy —— 对同一个 query vector 会返回不同的邻居。哪怕在单一索引内部，多线程探测顺序也会让 ranking 在不同 run 之间漂移。系统在「同样的输入返回略不一样的结果」时没有撒谎 。它只是诚实地承认了它从来就是的东西：一个估算（an estimate） 。 在搜索任务里，估算就是正确答案。用户在钓鱼，他们会调整 query。他们问的不是「我写过什么？」，他们问的是「有什么看起来像我现在在想的事？ 」 当你问自己的系统「我上季度怎么评估那家公司的？」，唯一可接受 的答案是你真写过 的那段话，带着真实的时间戳、在真实的文件里。不是最近邻 。不是缝合的近似 。是那个东西本身，与你手指敲下的那一刻字节相同 。
“In search, an estimate is helpful. In memory, an estimate is a lie.”
搜索里，估算是帮助。记忆里，估算是谎言。
这就是为什么我们记忆层的 substrate 是 SQLite 索引的 Markdown，而不是向量库。向量没错。它只是不该被用来做这件事 。这件事是对已写下内容的召回 ，只有确定性结构才能返回它。 二 · 主权：文件系统作为开放协议 它在 1970 年代被设计为开放协议。没有任何公司控制它 。没有任何许可协议管制它 。没有 V2 schema 升级会反过来破坏 V1 写下的文件。磁盘上的字节就是磁盘上的字节。Apple 不能让你的.md文件在他们调整产品方向的那天到期 。Microsoft 不能在下一版操作系统里把它弃用 。Anthropic 不能某天醒来决定你的记忆是上季度的算力预算 。 每一个商用向量库都是一个专有 schema，藏在专有 API 后面，跑在某家公司的基础设施上，而那家公司的商业模式要求你持续依赖它 。Pinecone 关停不是抽象风险，是某个不由你控制的时间尺度上的运营必然性 。基础模型供应商悄悄修改它记忆库的 schema 也不是假设，是任何一个保留策略由季度财报决定的系统的默认状态 。Bug report 会很客气。迁移工具会半残。你的过去会带着你不会立刻察觉的微妙扭曲到达新 schema 。直到第一次你问系统一个具体问题，看着它满怀信心地编出一段东西。 当 substrate 是租来的，你的过去就是租来的 。这不是技术选择。这是伦理选择 。把你积累的思考，每个决定、每个洞察、每段记录你六个月前是谁的痕迹，放进一个你不拥有的格式、一个你无法导出的服务，就等于把你的内在生命转化成一份长期租约 ，签在你没起草的条款上，对方的利益与你不一致。 过去五百年里所有认真的记录者都坚持亲自掌握档案 是有原因的。银行、法庭、家族、宗教秩序。这个原则完美地缩放进数字时代 。形式只是变了。今天它的形式是一个你磁盘上的纯文本文件夹，由你机器上的软件索引，用你掌握的密钥加密，备份到你能撤销的存储 。 三 · 流动性：格式作为联邦 Markdown 是计算世界里最滥交的格式 。它对什么都张开。 在 Obsidian 里打开它。在 Logseq 里打开它。在 VS Code、iA Writer、Typora、vim、nano、TextEdit、macOS Finder 预览面板里打开它。用 grep、awk、sed、ripgrep、fzf 处理它。用 git 追踪它。通过 Dropbox、iCloud、Syncthing、rsync、U 盘、邮件附件同步它。在手机上读、在 2008 年的 Linux 笔电上读、在还没被发明的设备上读。把它交给下一代语言模型，它们原生解析。 因为 2020 年之后的每个模型都是在跑 Markdown 的网络上训出来的。 这不是巧合。这是六十年的计算范式更替在一个赢遍每一层栈的格式上 留下的产物。 向量嵌入有完全相反 的属性。一旦生成，它们就冻结在生成它们的模型上 。text-embedding-3-large 产出的 embedding，与 Gemini 产出的不互通。两者都与下个季度发布的下一代 embedding 模型不互通。换供应商不是改个配置 —— 是对整段历史 做一次重新 embedding job，按新供应商的每 token 价格付费，加上一次索引迁移，加上下游系统从未被设计来检测的语义关系漂移的隐性风险。
“Plain text is forward-compatible with every AI that hasn’t been invented yet. Vector embeddings are barely backward-compatible with last quarter’s model.”
纯文本，向前兼容所有还没被发明的 AI。向量嵌入，连上个季度的模型都向后兼容不了。
正确的解读视角是联邦（federation） 。Markdown 是一个联邦协议，每个编辑器、每个模型、每个脚本读它都不需要任何人许可。向量库是被囚禁的格式。联邦只在你真想要行动自由时才有意义 。我们想要。我们假设我们的用户也想要。 四 · 组合（The Composition） 这是大多数架构文章塌陷成教程的段落。那种博文我不写 。机制不是论点。但层叠的形状 是论点，所以形状是我会给你的。 Markdown 是内容层。 用户真写下来的句子，字节级保存。YAML frontmatter 是结构层。 标签、来源、AI 完整性标记、created-at 与 modified-at 时间戳、与其他笔记的交叉引用。这些元数据把一条笔记从「数据团块」升格为「记录」 。SQLite 是索引层。 「所有标 X 的笔记，写于 Y 与 Z 之间，引用 Q 的」，这种向量库语焉不详地做手势的查询，关系数据库瞬间返回 ，全精度，从你拥有的单个文件里出来。Tantivy 是全文召回层。 BM25、自定义 CJK tokenizer、跨语料的精确短语搜索。在「搜索」变成「vibes」之前搜索引擎用的那种东西。向量搜索 ，在这个架构里不是地基 。是最顶端的一层薄薄的层 ，只在模糊语义表面匹配真的是正确操作时才被用，开放浏览、意图消歧、跨语言相似性。它是调味，不是基底 。结果是一个底部知道真相、顶部友好地猜测 的记忆系统，就这个顺序 。绝大多数云端 AI 记忆产品反过来， 模糊检索是承重墙，结构是事后栓上去的。那个反转就是 bug 。Monolithos 是拒绝把它发货的架构 。 任何一年里最流行的技术栈，几乎从来不是十年后还站着的那个。Markdown 比今天发布 AI 产品的大多数工程师的职业生涯还老 。SQLite 比他们当中一半还老 。纯文本比这门学科还老。
“Future-proof is not a feature. It is an architecture.”
经得起未来，不是功能，是架构。
下一篇预告（5/4 上线）：《From Tool Calling to Cognitive Federation，为什么 MCP 选错了抽象层级》 英文原文同步上线：silasyu.substack.com
夜雨聆风
