夜雨聆风GBrain 最打动我的地方，不是它又多做了一个知识库，而是它把问题指向了更长期的东西。
我最近用 AI 的时候，有一个感受越来越强烈。
它很会回答问题，但它不太认识我。
今天我问它一个选题，它能给出一串建议。明天我换一个项目、换一段背景、换一种语气，它又像第一次见我。之前我为什么放弃某个方向，最近在反复纠结什么，哪些判断是我已经验证过的，哪些坑我已经踩过一次，它基本都留不住。
所以看到 Garry Tan 发布 GBrain 的相关公开动态时，我第一反应不是，又来了一个 RAG。
我反而觉得，它碰到了个人 AI 真正卡住的地方。
据公开动态和相关整理来看，GBrain 想做的不是单纯把文件塞进知识库，而是围绕个人资料、关系、决策轨迹、认知变化这些长期上下文，去搭一个更像记忆层的东西。
这个方向很值得聊。
因为 RAG 当然有用。它解决的是，把资料找回来。你有一堆 PDF、一堆笔记、一堆网页，模型原本不知道，现在可以检索，可以引用，可以回答得更贴近你的材料。
但检索和记忆不是一回事。
检索是，你问一句，它去过去的材料里找答案。记忆是，过去的材料会持续影响它现在怎么理解你。
这个差别很细，但很关键。
比如你让 AI 帮你写一个方案。普通检索可以找到你以前写过的文档，告诉它你的产品是什么，你的用户是谁，你之前的会议纪要里提过什么。
但一个更有记忆感的个人 AI，应该还能知道，你为什么老是抗拒某种表达方式。它知道你上次不是因为数据不够才否定那个方案，而是因为你觉得那个方向会把团队拖进一个不擅长的战场。它知道你最近的判断在变，知道哪些偏好是稳定的，哪些只是某个阶段的临时想法。
这就不只是资料管理了。
这是让 AI 开始和你的时间发生关系。
我觉得个人 AI 真正有戏的地方就在这里。不是它每次都能说得头头是道，而是它能不能在一次次使用里慢慢积累你。它不是每次打开都重新开局，而是在你的长期上下文里继续往前走。
说到这里，Markdown 这个点反而挺有意思。
如果公开信息里提到 Markdown 被放在比较重要的位置，我觉得这不是格式洁癖，而是数据资产意识。Markdown 的价值不在于它看起来多高级，而在于它稳定、干净、可迁移、容易长期保存。
笔记、会议纪要、项目复盘、决策日志、阅读摘记，这些东西平时看起来很散。很多人写完就丢在某个文件夹里，甚至自己都懒得回头看。
但从个人 AI 的角度看，它们可能是非常重要的燃料。
你写过什么，删掉过什么，犹豫过什么，后来为什么改主意，这些东西比单纯的资料更接近你这个人。模型真正需要理解的，也不只是你存了哪些文件，而是你怎么判断，怎么变化，怎么在一个个选择里形成今天的偏好。
所以我现在越来越觉得，未来个人 AI 的门槛，可能不只是模型够不够强。
还包括你有没有留下足够好的长期材料。
这件事对普通用户其实挺现实。我们不用一上来就追最新工具，也不用马上把所有数据都丢进去。更稳的做法，是先把自己的重要材料整理成几个长期可维护的目录。
项目复盘，记录每次为什么成功、为什么失败。
决策日志，记录当时为什么选 A 不选 B。
会议纪要，记录谁承诺了什么，问题卡在哪里。
个人偏好，记录自己反复出现的写作习惯、沟通习惯、判断标准。
这些东西短期看很笨，甚至有点麻烦。但如果个人 AI 真的往长期记忆走，它们会变得越来越值钱。因为它们不是给今天看的，是给未来那个更懂你的 AI 看的。
当然，我不想把 GBrain 说成已经把这件事做完了。
从目前公开信息看，它更像是一个方向很明确的尝试。真正要把个人记忆做好，中间还有很多硬问题。隐私怎么管，权限怎么分，错误记忆怎么纠正，过期信息怎么遗忘，哪些东西该被 AI 记住，哪些东西反而不该被长期保存。
这些问题都不轻。
尤其是遗忘机制，我觉得会越来越重要。一个什么都记得的 AI，不一定是好助手。人自己都会在时间里筛掉很多东西，AI 如果只会堆积，不会取舍，最后也会变成一个更聪明的垃圾堆。
但就算如此，这个方向还是让我挺兴奋。
因为过去我们讨论 AI 助手，太容易盯着它会不会回答、会不会写代码、会不会做 PPT、会不会帮你搜索。那些能力当然重要，可它们更像是单次能力。
个人 AI 真正要进入日常，迟早要面对一个更朴素的问题。
它能不能记得住你。
不是记住你的名字，不是记住一句偏好设置，而是记住你在时间里的变化。记住你做过的选择，放弃过的路，反复遇到的问题，以及那些你明明已经想明白一次、下一次却还会重新犯的错。
我现在甚至会反过来问自己，如果明天开始给自己的 AI 建一个长期记忆库，我最希望它先记住什么？
是项目，还是关系。
是偏好，还是决策。
或者，是那些我总以为自己不会再犯、结果每隔一阵子又会踩进去的老问题。
如果你也在用 AI，不妨也想一下这个问题。
你最想让未来那个更懂你的 AI，先记住哪一件事？
