让 AI 只有七秒记忆:谷歌开源AI 插件「大象与金鱼」

如果你被 Claude 封过号， 那么当你看到封号提示的时候， 一脸懵逼，十分无奈，极端痛苦。 我们丢失 Claude 账号，最怕的并不是不方便，也不是搞不了小号，而是我们的记忆被移除。 

和人一样， 记忆被移除，对于一个做事的 AI 来说，可以说是灭顶之灾。以后你又要重新来过。 

但记忆也不是越多越好，就像我们人有时候也希望自己放弃自己的观点。 比如我们审查自己的稿件，那肯定希望以陌生人的眼光来挑刺， 但很不幸，我们做不到。  AI 也是充分利用你的上下文为你工作， 所以有时候我们也需要 AI 忘记过去，以全新视角来审查我们的方案和文章。 

最近 Google 开源的一个插件 Elephant-Goldfish Model（大象金鱼模型，简称 EGM），提供了一种很有意思的解决思路。项目地址：https://github.com/google/elephant-goldfish-model

一只大象，几条金鱼

大象金鱼模型 EGM 名字很形象，很好理解：

大象（Elephant）记忆力好，负责记住项目背景、研究目标、历史讨论和已经做出的决定。

金鱼（Goldfish）则恰恰相反，它没有参与之前的讨论，只负责审查最终提交的成果。

比如，我们让 Codex 帮忙设计一个研究方案。

Codex 作为大象，了解整个研究过程，最终形成一份研究设计文档。 文档完工后，我们希望审核这份文档，这个时候，我们就需要独立的 AI 审查员：

这些审稿人就是金鱼，它们没有之前的对话记忆，不知道我们和 Codex 讨论过什么。但它们可以拿到研究方案、审稿标准，以及必要的参考资料，从一个全新的角度进行审查。 当然，真正的金鱼记忆力远不止七秒。这里的金鱼，只是用来形容一个不继承历史对话的 AI。

这就是 EGM 最核心的思想：让了解背景的 AI 负责创造，让不了解讨论历史的 AI 负责质疑。但也不能胡乱质疑，质疑最终还要回到大象这里，大象根据自己掌握的信息，使用证据来反驳金鱼；如果反驳不了，那可能真被抓到了把柄。这时就需要进一步修改方案，或者把问题交给你（Human）做最后的决定。

EGM 目前内置的审查流程主要针对软件设计文档，但我们可以把这套思路应用于方案和文稿的审查中。 

为什么要故意不给 AI 上下文？

过去，我们一直在努力解决 AI 的上下文问题。上下文窗口要更长，记忆要更完整，最好 AI 能记住我们之前所有的讨论。EGM 提出了一个反过来的思路：有些时候，让 AI 不知道之前发生了什么，反而更有价值。

我们举个例子。 假设你正在研究数字技术使用对农村老年人生活满意度的影响。你和 AI 讨论了很久，最后决定使用 OLS 回归。这个选择可能有很多理由：数据限制、变量特点、现有文献的做法等等。

如果让同一个 AI 审查方案，它可能会沿着之前的思路，继续帮助你完善 OLS 模型。

但如果换一个全新的 AI 会话，只把研究方案交给它，它可能会直接问：

「为什么使用 OLS？如何处理潜在的内生性问题？」

这并不意味着 OLS 一定不合适，而是这个问题值得被重新审视。

在 EGM 中，这种审查通过 Subagent 实现。Subagent 是 AI Agent 启动的一个独立子任务会话。它可以使用相同的模型，但不继承主 Agent 的历史对话，只读取指定的任务、文档和参考资料。

审稿人提了意见，谁来决定是否修改？

EGM 不只是启动几个 AI 审稿人。它还设计了一套审查意见处理机制。

审稿人（金鱼）会标记问题的严重程度，指出问题位置，并解释为什么认为这是一个问题。然后，大象重新接收这些意见，逐条判断。

它可以接受意见，提出修改方案；也可以提供证据，说明审稿人的质疑不成立。

如果问题涉及审稿人无法获得的信息，则交由人来判断。

这一点非常重要。

审稿人的意见并不天然正确，即使审稿人是一个独立的 AI。比如，审稿人认为某个研究没有控制年龄因素，而实际上年龄已经包含在控制变量中。这种情况下，作者应该指出对应的变量定义，而不是为了迎合审稿人而修改模型。

实际上，我们可能早就在使用 EGM 了

看到这里，你可能会发现，这套方法并不神秘。

假如我们平时使用 Codex 写代码，然后打开 Cursor，让它独立审查代码。又把 Cursor 的意见交回 Codex，修改之后再让 Cursor 检查一次。这其实就是一个手动版的 Elephant-Goldfish Model。

科研中也一样。

我们可以在一个 Codex 窗口中讨论研究方案，等方案完成之后，再开一个全新的窗口，让另一个 AI 独立审查。两者的原理并没有本质区别。EGM 的主要价值，是把这些原本需要手工完成的操作标准化、自动化。它可以根据 Markdown 文件定义不同的审稿角色和审查标准，调用多个独立 Subagent，汇总审查意见，再通过固定流程交给主 Agent 处理。

如果想尝试，可以在 Codex CLI 中安装：

codex plugin marketplace add google/elephant-goldfish-model 

codex plugin add egm@egm

安装后重新开启会话，选择相应的 EGM Skill，就可以用自然语言发起审查。

比插件更重要的，是这种工作方法

我觉得 EGM 最有价值的地方，未必是它实现了多少自动化功能。而是它提醒了我们：AI 不应该只有一个角色。过去我们使用 AI，往往希望它尽可能了解自己。我们提供背景，解释想法，反复讨论，让 AI 越来越理解我们的意图。

但当一项工作完成之后，也许应该主动切换另一种工作方式。让一个没有参与讨论的 AI，重新检查我们的结论。让它不必照顾之前的选择，也不需要为自己曾经提出的建议辩护。

尤其是科研工作，理论是否成立、方法是否合理、证据是否充分，都值得接受独立的质疑。

EGM 插件并不是非装不可。

你完全可以用两个独立的 AI 会话，手动实现最简单的版本。一个负责创造，一个负责审查。一个理解你的全部思路，另一个只评价你最终拿出来的成果。

对科研人员来说，这或许是比掌握某个插件更值得养成的习惯：不要只让 AI 帮你证明自己是对的，也要让 AI 认真寻找你可能错在哪里。