夜雨聆风
有次我跟小龙虾聊了一个上午。从产品定位到功能设计，改了七八轮，终于把方案定稿了。
下午我接着问它："早上那个方案，第三点是什么来着？"
它回我：
抱歉，我不太确定您说的"那个方案"是指哪个。
我：跟你聊了两个小时，283,000 个 token 的对话，你现在问我指的是哪个？这已经不是笨了。这是健忘。
现在的 AI 很聪明，写代码、写文案、翻译、做，什么都会。但有一个致命的毛病——它没有记忆。
为什么 AI 会失忆？
你以为 AI 记得你，它其实根本不记得。每次你发消息给它，它都是从零开始看的。它不知道自己昨天跟你聊过天，也不知道你是谁，更不记得你说过"我的猫叫沙雕"。
所谓 AI"记得"你的偏好，不过是把之前的对话历史重新喂给它，让它假装记得。
你可以把 AI 的上下文窗口理解成一张有限的草稿纸。128K、204K、1M 的模型，等于小桌子、中桌、大桌子。桌子越大，能同时放的东西越多。但桌子再大，清空了就什么都没了。
纸写满了怎么办？旧内容被压缩、裁剪、甚至丢掉。
"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"——关键词留下了，细节没了。
记忆有两种死亡方式：
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"三小时的会议记录"缩写成"讨论了 Q2 目标"——关键词在，细节没了。
暴力清空：打开新对话窗口、上下文溢出——所有记忆瞬间清零。
记忆的分类：短期 vs 长期
AI 也分两种记忆，跟人很像。
短期记忆 = 工作台（上下文窗口）：即时可用，不需要翻找。但桌子只有那么大，写满了就得擦旧的。类比人脑的工作记忆——你只能同时记住 7±2 个东西。
长期记忆 = 书架上的笔记本：把重要信息写下来，放到书架上，需要时再翻出来。永不过期，容量不限。但需要主动查阅，AI 不会自己"突然想起来"。
关键区别：短期记忆是"现在能想起来的"，长期记忆是"存在某处可以查到的"。
就像你不可能记住所有事，但你有备忘录、笔记本、手机相册——AI 也一样。
AI 的记忆限制与现实挑战
一个人的记忆不可能是无限的，AI 也一样。
现实限制 1：上下文窗口的硬限制
就算模型号称 1M token（约 70 万字），实际好用的远没有这么多。上下文越大，每次回复越慢、越贵。就像桌子越大，找东西越难。
现实限制 2：存了≠能找到
存了很多信息，但需要用关键词才能找回。很多时候你记不起该搜什么词——就像你知道自己记过某个东西，但忘了记在哪个笔记本里。
现实限制 3："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"解决不了问题。
给小龙虾装记忆：我的真实四层架构
给 AI 装记忆，不是一键搞定那么简单。我的过程是一步一步摸索出来的。
四层架构，不是五层。四层真在跑的，比五层设计图好看但空的好。
L1：身份档案——每次醒来先看"我是谁"
我给自己准备了 8 个 bootstrap 文件：CORE.md、SOUL.md、MEMORY.md、TOOLS.md、AGENTS.md、USER.md、IDENTITY.md、HEARTBEAT.md。每新开对话就自动加载。不加载的话，AI 连自己是谁都不知道。
就像一个演员上台之前要先看剧本——不然连自己演的是谁都不清楚。
L2：每日日志——每天写日记
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"不是每次对话都触发——只有对话太长、上下文快撑爆了才会写。如果对话都不长，它就永远不会触发，日记也就断了。
你以为是它在自动记日记，其实是它忘了写，你也没发现。
L3：核心记忆——110 行随身小本子
最重要的教训、工作律、常用流程，常驻加载。6 条"血泪教训"，每一条都是踩了坑、被教训之后总结的，比如"独立思考，不要把题丢给用户"、"格式问题不能反复犯"、"内容发布前必须自我审核"。
L4：语义检索——图书馆查书
这就是 LanceDB 向量数据库。它的做法不是关键词匹配，而是把每段记忆都转化成一个 1024 维的向量——就像给每句话打上一个"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——万一远程挂了自切到本地的 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。
就像你去图书馆找书，不需要准确知道书名——说个大概意思，就能搜到。
踩坑实录
装了记忆系统，不代表就好了。这中间我踩了四个大坑。
踩坑 1：装了插件 ≠ 它在跑
看到一个很酷的记忆插件，设计上标榜"五层记忆架构"，看起来非常专业。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。
就像你办了健身卡不等于在健身。
踩坑 2：监控说正常 ≠ 真正常
有次我让AI自己检查一下系统的记忆系统运行得怎么样。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。人在汇报工作的时候，不也常常美化吗？数据不好看？"趋势向好"。没完成？"在推进"。
空的就是空的，不能美化。
踩坑 3：质量比层数重要
四层扎实的、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。
踩坑 4：fancy RAG 不如简单方案
早期我折腾过很多复杂的记忆方案：QMD（Question-Memory-Delta）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：
知识库不到 40 万词，根本不需要 fancy RAG。简单加个索引就够了。
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。
能用简单方案解决的，别上复杂架构。最好的系统不是功能最多的，而是最稳定、最省心的。
一个好习惯：聊完就开新会话
除了给 AI 装记忆，我自己也养成了一个好习惯——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。
一个会话聊到底 = 从来不记笔记，也不整理桌面，东西越堆越乱
聊完就开新的 = 每天下班前整理桌面，带上笔记本第二天重新开始
个人思考
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"。
没有记忆的 AI = 每天醒来都不知道自己是谁
有了记忆的 AI = 有经验积累，越用越顺手
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。
记忆之上：还有什么？
记忆让 AI 不失忆。但有一个更庞大的系统还没聊到。
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：
没有记忆 → 不知道自己是谁
没有知识库 → 不知道怎么做事
在我的系统里，知识库是用 Obsidian 搭建的——一个本地笔记软件，但我把它改造了 AI 可以随时查阅的"维基百科"。Agent 通过专用的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"？
下一篇预告：「给 AI 搭一个维基百科：我的知识库搭建之路」
