AI 能记住你做过的事吗？看懂三层记忆，你就知道怎么跟它长期合作

跟 AI 配合干了一个下午，方案改了好几版、代码调了好几轮，终于把所有问题都解决了。你觉得这个 AI 越来越懂你了。

第二天打开，继续干。你打起字来：“昨天那个方案，后面还有一个问题需要改一下。”

AI 回你：“哪个方案？我们昨天聊过什么吗？”

你懵了。

这不是 AI 变笨了。这是它的记忆机制跟你以为的不一样——完全不一样。

一、AI 每一轮推理都在"失忆"状态下开始

要理解 AI 为什么"记不住"，你得先理解它每一轮是怎么干活的。

一个 Agent 的执行循环，拆开来看是这样的：

每一轮，都依赖记忆。

• 感知依赖工作记忆——你摆在桌面上的东西，AI 才能看到
• 思考和行动依赖短期记忆——刚才做了什么、得出什么结论，这一轮才能接着干
• 观察和循环依赖长期记忆——项目规则、领域知识、历史经验，需要时得能查到

大多数 Agent 框架只做好了第一层（工作记忆）和部分第二层（会话内的短期记忆）。第三层几乎没人提，或者提了但方案不对——“把所有资料丢进向量库就行了”。

这就是问题所在。没有完整的记忆体系，AI 每一轮推理都在"失忆"状态下重新开始。

不是模型不够好，是记忆没有设计好。

下面我用一个场景串到底——办公桌。

你的办公桌有三层：

• 桌面：正在处理的文件，空间有限
• 抽屉：最近用过的资料，随手能翻到
• 档案柜：所有知识都存放在这里，需要时去查

AI 的记忆，就是这三层。

二、桌面有多大，活就干多少

这就是你的桌面。

你把一份资料放在桌面上，AI 才能看到它。你把 AGENTS.md 放上去，AI 就知道规则；你把正在改的代码文件放上去，AI 就知道要改什么；你把相关的接口文档也放上去，AI 就知道上下文。

桌面上的东西决定了这一轮推理的底线：桌面上有什么，AI 就能干什么。

但它有一个硬限制——桌面有上限。

你跟 AI 聊得越多、塞的文件越大，它越容易"忽略"前面的东西。不是它故意忽略，是物理上摆不下了。就像你的办公桌——桌子只有那么大，堆满了，后面的文件自然会掉到地上。

第 3 篇讲的"上下文窗口"，说的就是桌面的大小。那个数字（比如 128K Token）就是你的桌面面积。

但这篇文章不是要重复第 3 篇。第 3 篇告诉你"桌面有上限，你别怪 AI 记不住"。这一篇要告诉你的是：知道有上限之后，怎么在这个限制下设计记忆，让 AI 在真正重要的信息上不犯错。

操作只有一条：不是让桌面变得更大，是让桌面上永远只放对的东西。

打开一个仓库，AI 先读 AGENTS.md（知道规则），再读当前任务涉及的文件（知道内容），再读相关的文档（知道背景）。这三样东西同时放在桌面上，AI 才能正确理解"我该怎么干"。

多余的资料不要放。放得越多，真正重要的东西越容易被挤掉。

三、抽屉里有什么

这一下午发生的对话（你说了什么、它回了什么）和操作记录（改过哪些文件、跑过什么命令、报过什么错），都存放在短期记忆里。

这就是你的抽屉。

Agent 能在同一个任务内"持续收敛"，靠的不是模型推理能力，是短期记忆保持了连续性——

• “刚才跑那个命令报错了” → AI 在会话历史里看到错误输出，知道哪里出了问题
• “刚才已经改过那个文件” → AI 不会重复改同一个地方
• “刚才敲定的方案是用 A 方案” → AI 不会下一轮推理又绕回 B 方案

这就是为什么一个长的会话比短的会话效率更高：抽屉里积累了足够多的上下文，AI 不需要每一轮都重新猜。

但关掉会话，抽屉就换了。

第二天你打开继续干，AI 会从档案柜重新拿到 AGENTS.md 和 README（这些还在），但昨天的对话细节、改过的版本、调试过程、最后的结论——全都不在新的抽屉里。

不是它"忘了"。是那个物理抽屉本身已经被换掉了。 你换了会话，就是换了一个新抽屉。

所以，需要跨会话保留的东西，必须写进文档、放进档案柜。写进 AGENTS.md、写进 README，让 AI 每次新会话都能从档案柜重新拿出来。不要指望 AI 自己记住。

大多数 Agent 框架所谓的"有记忆"，其实只做到了这一层——会话内（抽屉里）的状态管理。这不是长期记忆，这是会话管理的标准功能。

四、档案柜不是丢进去就行

长期记忆 = Agent 跨任务、跨会话复用知识的能力。这就是档案柜。

市场上几乎所有"AI 记忆"产品都在讲一个相似的故事：把资料存进向量库，AI 就能记住。但有一个前提——AI 必须先知道自己要找什么，才能搜到对的答案。 如果问题都提不对，向量搜索也帮不了你。

我用自己的三个工作区来说明，长期记忆是怎么设计的。这三个案例分别对应不同的需求层次，你来看哪一种适合你。

案例一：用目录和规则搭建记忆

先看一个内容仓库。它的结构很平，但逻辑清晰：

``` 内容仓库/ ├── AGENTS.md # 索引：告诉 AI 这个仓库里有什么、规则是什么 ├── README.md # 入口：目录 + 阅读顺序 ├── 第一篇.md # 文章按顺序排列在根目录 ├── 第二篇.md └── assets/ # 素材按概念分组 ├── 主题甲/ └── 主题乙/ ```

这套结构解决了一个核心问题：AI 不需要搜索也能找到信息。

• 文章放根目录，标题就是内容的摘要——AI 看到文件名就知道这篇讲什么
• 素材按概念分组，不按文章编号——AI 要找"主题甲"的相关图片，直接去 assets/主题甲/，不用遍历所有文件
• AGENTS.md 是整个档案柜的索引——它记录每一篇文章的状态、写作规范和变更历史。AI 进来先读它，就知道这个柜子里有什么、怎么用、规则是什么

每次有新内容完成，自动更新索引里的状态；每次内容变更，规则里记录变更原因。

这个档案柜不是"存完就忘"，是随着内容的增长持续维护的。

给普通读者的启示是：你不需要向量数据库，不需要任何新技术。你整理文件夹和文档的方式，就是 AI 能找到什么的关键。

案例二：按主题和目标维护多个档案柜

一个人不可能只有一个知识仓库。你可能同时有技术笔记、项目文档、个人学习记录——它们分属不同的主题，用不同的节奏更新。

这里的关键是把"怎么干"和"去哪找"分离开：

• 配置层定义工作区有哪些约束、有哪些角色、执行任务时该调用什么。它回答"怎么干"。
• 知识层按主题组织知识——通过编码和命名，每个目录的目的一目了然。它回答"去哪找"。

两层分开的原因是：配置变了（比如换了工作流程），不需要动知识库；知识变了（比如新增了一个主题），不需要改配置。

打开一个仓库，AI 先读配置层知道"在这个工作区里我该怎么干活"，再读知识层的目录知道"对应的知识放在哪里"。每一次都各司其职，彼此不干扰。

给多领域工作者的启示：不要把所有东西塞进一个仓库。按主题拆分，每个仓库自己维护入口和索引。 AI 打开哪个仓库就知道自己在这个领域，不会串。

案例三：开发自定义记忆插件

如果你的需求超出了目录和文档能覆盖的范围——比如需要跨会话关联用户偏好、跨项目共享上下文——你可以通过插件扩展。

开源项目 mem0 提供了记忆的存储、检索和更新能力。它把交互记录和行为模式结构化存储，AI 在需要时自动读取。而 agent-workflows 展示了如何在 OpenCode 中开发插件——通过插件入口注册新能力，用 agents/ 定义角色、skills/ 封装流程。

把记忆存储（mem0）和插件机制（agent-workflows）结合起来，就可以构建一个自定义记忆插件：AI 启动时自动加载相关记忆，任务结束时自动更新记忆，跨会话保持连续性。

这不是普通用户的必选项，而是给有开发能力的团队提供的技术路径。记忆存储和插件架构都是现成的，你要做的是把它们组合到自己的场景里。

三个案例的结构

不是存储技术决定记忆质量，是组织方式决定记忆质量。

五、三层联动，一张图看懂

你坐下来，打开仓库，准备写一篇新文章。

每一次 Agent 的执行循环，都在三层记忆之间切换。没有记忆体系，每一轮推理都在失忆状态下重新开始。有了记忆体系，每一轮推理都站在之前的成果之上。

这就是 Agent 从"能跑通"走向"可靠"的关键一步。

六、写在最后

回到开头。AI 不是记不住，是你需要帮它设计记忆。

市场上大部分的"AI 记忆"方案都在讲存储技术——向量库、嵌入模型、RAG 管道。但技术不是瓶颈，组织方式才是。

一个整理好的文件夹，比一个乱七八糟的向量库更有效。

你不需要成为专家才能开始。从今天起，把你跟 AI 协作的仓库整理一下——分类建好目录，每个目录写清楚用途，在根目录放一份规则说明。当你打开新会话，AI 进来先读你的规则，再按目录找到需要的东西时，你会发现：

它记住的，比你想象的要多。

未来真正会用 AI 的人，不一定是最会提问的人，而是最懂得怎么把知识整理好放在那里的人。

下一篇，我们聊一个更深的问题：有了记忆之后，AI 能不能自己拆任务、自己修正？——这就是自主推理框架要做的事。