AI 应该记住什么,又应该忘掉什么?
AI 应该记住什么,又应该忘掉什么?
昨天告诉 AI:“这次先存草稿。”今天已经明确要求发布,它却还在坚持不能发布。
另一种情况更隐蔽:你只是说某个方案“可以试试”,过几天它就把这句话当成长期默认规则,替你继续往下做。
这两种假设场景,都不只是“记性不好”。信息可能保存得很完整,问题出在它没有区分临时要求、长期偏好和已经过时的决定。
在上一篇上下文文章里,我们讨论了这一次要给 AI 什么信息。长期记忆还要回答另一个问题:哪些信息值得带到下一次,以及什么时候不再适用。
聊天记录、项目资料和长期偏好,不必放在一起
LangGraph 文档把会话范围内的短期记忆和跨会话的长期记忆分开。前者维护当前对话与任务状态,后者可以按自定义命名空间保存用户或应用信息。[1]
这是一种框架里的设计方式,不代表所有 AI 产品都按同样方式实现。不过,这个区分很适合整理自己的工作。
比如,写文章时的排版偏好可以长期保留;某篇文章的资料出处更适合放进项目文档;一次上传返回的草稿编号,则属于那次任务的执行记录。
| 信息 | 更适合放在哪里 | 使用前要注意什么 |
|---|---|---|
| 希望正文先讲问题,再讲方法 | 写作偏好 | 本次有没有特殊要求 |
| 某项目的部署入口和目录结构 | 项目文档 | 是否已经迁移或更新 |
| 这篇文章只保存草稿 | 当前任务约束 | 不自动推广到其他文章 |
| 某平台上的对象编号与回执 | 执行记录 | 核对对象和内容版本 |
| 某产品目前的价格和功能 | 带日期的资料记录 | 使用时重新核实 |
把这些全部塞进一份“关于用户的记忆”,会让它越来越难维护。任务结束了,临时状态还在;项目变了,旧路径还在;某个猜测也可能因为反复出现,看起来越来越像事实。
一条好记忆,应当能回答“这句话从哪里来”
“用户喜欢简洁”看起来很合理,却可能只是 AI 从一次修改里猜出来的。
如果用户只要求把某段话缩短,不能直接推出“以后所有文章都要短”。同样,用户在一个项目里允许自动执行某个步骤,也不能直接推到其他项目。
我更倾向于保存这样的记录:
写作项目:用户希望文章开头直接说明具体问题。来源是一次明确的编辑要求,适用于该项目后续文章;如果当次要求不同,以当次要求为准。
这比一句模糊标签多了范围和来源。它也让后续纠正更容易:发现记错了,可以回到原来的决定,而不是继续让 AI 解释自己当时为什么这样想。
对于不确定的信息,应保留“不确定”。例如“用户可能偏好图表”只能是一条待确认观察,不能变成要求每篇都配图表的规则。
这里的记录格式是设计建议,不是某个产品已经提供的统一字段。
修改记忆,往往比新增记忆更重要
LangGraph 的文档讨论了两种保存方式:持续更新一个资料档案,或维护多条记忆组成的集合。前者在内容变大后容易更新出错;后者则把难点转移到查找、删除、更新和关联旧条目上。[1]
换句话说,多存一条很容易,弄清楚它与旧条目的关系才费事。
假设旧记录是“文章图片统一放在文末”,新要求变成“封面图放引言后”。如果只是把新要求追加到末尾,下次检索同时取出两条,就留下了冲突。
更清楚的处理是:更新当前规则,说明旧规则已被替代,必要时把变更原因留在历史记录中。历史仍然可追溯,但不继续与当前规则争夺同样的位置。
还有一种情况是仅本次例外。例如某篇文章不放封面图,不一定意味着默认排版永久改变。此时应记录本篇例外,保留长期规则。
所以,写入之前值得问一句:这是新增偏好、修改旧规则,还是一次例外?
记忆存进去了,也不代表下次一定会用对
很多应用需要先检索记忆,再把相关内容交给模型。保存、检索和正确理解,是不同环节。
Anthropic 的上下文工程文章介绍了一种按需读取思路:保留文件路径、查询或链接等轻量入口,在任务需要时再读取详细信息。[2] 它提醒我们,不必把全部资料长期塞在同一段提示里。
但“能找到”也不等于“仍然有效”。一个月前的后台操作指南,即使与当前问题高度相关,也可能已经过时。因此,除了内容相似度,还要看项目、对象、时间和有效状态。
稳定偏好不必天天过期。容易变化的信息,则适合标上核对日期,或明确使用前需要重新检查。没有必要为所有记忆强行设置同一个保存天数。
对于账号密钥一类信息,普通记忆应保存的是受控配置的使用入口,而不是复制秘密本身。让模型知道“到哪里调用已授权能力”,通常比让它记住凭据更合适。
怎样检查它真的学会了,而不只是说“记住了”
可以用几次小测试观察行为:换一个对话,看看同一项目的偏好是否仍然生效;换一个项目,看看它是否错误套用;修改一条规则,看看旧规则是否还在影响结果。
还有一个容易漏掉的测试:临时例外结束后,它能否恢复默认做法。
记录测试时,不只看回答是否提到了那条记忆,还要看动作是否符合要求。AI 能复述“只存草稿”,不代表后面的发布操作就一定受到约束。
本文没有运行记忆系统的对照实验,因此不能给出正确率提升。外部保存和读取信息,也不意味着模型参数经过了新的训练。
对日常协作来说,一份有用的长期记忆,应当允许用户看见、修正和删除。等下一次需求变了,它能够准确更新,才算真正帮上忙。
参考资料
核对日期:2026 年 11 月 11 日。文中场景与整理方法为设计示例。
- LangChain:Memory overview,短期与长期记忆、资料档案与记忆集合的维护取舍。
- Anthropic:Effective context engineering for AI agents,2025-09-29,按需读取、轻量引用与上下文维护。
AI 生成的概念配图,不是实测照片或网络拓扑图。