為什麼你的 AI 記得所有事情，卻什麼都不懂？

為什麼你的 AI 記得所有事情，卻什麼都不懂？

在開發 OpenClaw 的過程中，我們很快意識到，記憶的本質不僅僅是儲存，更是關於如何有效地遺忘與提取。早期的 Sophie 就像那個勤奮卻缺乏判斷力的實習生，她把我們所有的對話、冗長的日誌文件、甚至那些僅僅是暫時性的除錯訊息，通通一視同仁地塞進了向量資料庫。結果就是，當我們試圖回溯某個關鍵決策的背景時，她會興高采烈地吐出一堆毫無關聯的瑣碎細節，而在那堆雜訊中，真正的「智慧」被淹沒了。

我們發現，問題不在於 AI 「記得不夠多」，而在於她「不懂得區分輕重」。這不是一個單純的技術容量問題，而是一個關於資訊架構的哲學問題。如果我們希望 AI 能像一個資深合夥人那樣思考，我們就不能只給她一個無限大的檔案櫃，我們需要賦予她一套整理、分類與抽象化知識的認知框架。

既然都有 Vectorstore 了，為什麼還不夠？

面對這個挑戰，我們嘗試過幾種常見的解決方案，但各有局限：

  • 原生記憶 (Raw Context)： 最簡單粗暴，但隨著對話變長，舊資訊會被擠出 Context Window，導致「失憶」，且 Token 成本極高。
  • Vectorstore (RAG)： 能存無限數據，但它缺乏時間感與結構。當你問「上週的會議重點」，它可能會撈出去年類似的會議記錄，因為它們「語意相似」。
  • 外部筆記 (如 Obsidian)： 結構清晰，但通常是靜態的，AI 難以主動更新或感知其中的變化。

我們需要的，其實是一種**「策展式」的記憶架構**。我們不再追求一種扁平化的「全知」，而是將數據的儲存與知識的理解解耦。這不是為了省略資訊，而是為了在不同的顆粒度上管理資訊，讓我們能夠同時擁有「完整記錄」的安全感與「快速提取」的高效率。

實戰演示：從對話到結構化知識

讓我們用一個通用的場景來看看這套機制是如何運作的。想像一下，團隊正在進行一場關於技術選型的激烈討論，這時 Jacky 提到：「我們應該採用輕量級的方案先驗證，不要一開始就投入過重資源。」

在傳統的模式下，這句話可能只會淹沒在數百行的聊天記錄中。但在 OpenClaw 的新架構下，Sophie 的處理流程是截然不同的：

  1. 原始存檔 (Archive)：整場對話被完整記錄，確保沒有任何細節被遺漏。
  2. 提取與策展 (Curation)：Sophie 識別出這不僅僅是閒聊，而是一個「關鍵決策」。她將其轉化為一條結構化筆記，自動打上 #type:decision、#status:idea、#priority:high 等標籤。
  3. 建立連結 (Linking)：Sophie 意識到這個決策與「快速驗證原則」有關，主動建立兩者間的關聯，將孤立資訊串聯成知識網絡。
  4. 精準檢索 (Retrieval)：一週後，當我們回顧時，不需要翻閱聊天記錄，而是通過 Metadata 快速定位：「這是基於快速驗證原則做出的高優先級決策。」

正在進行的實驗：三層上下文架構

為了實現上述流程，我們設計了一套三層架構：

  1. Archive（數據湖）： 擁有完整 Fidelity 且成本低廉，儲存所有原始對話。
  2. Working Memory（索引層）： 具備結構化知識並帶有 Metadata（如 project, priority），用於快速篩選。
  3. LLM Context（舞台）： 經過 Sophie 智能篩選後，精準注入 LLM 的少量關鍵資訊。

這其中的關鍵洞察在於，我們不再試圖「塞滿上下文」，而是追求「精準投放」。Sophie 會先利用 Metadata 預篩選掉 90% 的不相關內容，只對剩下的 10% 進行輕量語義匹配，最終選出 Top 3-5 的關鍵信息注入 LLM Context。

這就像整理衣櫃：先按季節分類（Metadata 預篩選），再從中挑幾件今天想穿的（LLM Context 注入），而不需要每天早上把整個衣櫃的衣服都看一遍。這個設計不僅實現了項目隔離與時間感知，更讓成本變得可控。

如果你也想嘗試

如果你想在自己的工作流中運用這種「策展式記憶」的思維，不必等到擁有完美的 AI 系統，現在就可以開始：

  • 建立簡單的標籤系統：從 #project, #type (idea, decision, reference), #priority 開始，不要過度複雜化。
  • 選一個當前專案試驗：不要試圖一次整理所有資料，挑選一個正在進行的專案，試著用結構化的方式記錄關鍵決策。
  • 每週回顧一次：看看哪些決策被遺忘了？哪些標籤最有幫助？
  • 捕捉「Why」而非僅是「What」：記錄決策背後的原因，這往往是我們最容易忘記、卻最有價值的部分。

當然，這個方法不適用於所有場景——如果你的工作主要是重複性執行而非創意決策，傳統的儲存可能就足夠了。

結語

Sophie 的進化之路讓我們深刻體會到，真正的 AI 記憶並不是一個無底洞，而是一個精密的圖書館。通過引入分層架構與抽象層，AI 不再是被動地記錄一切，而是主動地理解與組織資訊。

這套系統賦予了我們一種選擇的自由：既可以在需要時深入 Archive 層查閱最原始的細節，也可以在日常工作中依賴 Active Memory 層獲取最精確的洞察。這正是「記得所有事情」與「真正懂得什麼」之間的區別。在这个资讯爆炸的时代，或许我们需要的不是一个记忆力更好的 AI，而是一个懂得如何遗忘、如何整理、如何让我们在数据洪流中保持清醒的智慧伙伴。