回顾 2025 年，这是我在持续精进的同时，有意识拓展认知边界的一年。 工作重心从上半年偏向数据基础设施与底层建设，逐步过渡到下半年对流程、规范以及复杂项目整体推进能力的打磨。与此同时，我也刻意让个人技术路径不局限于单一纵深，而是在系统性能、数据模型、AI 与跨学科知识之间形成交叉。

这一年让我更加确认：长期价值并不来自技能数量的叠加，而来自抽象能力与判断力的积累。

AI 记忆系统构建：从日志检索到知识演化

自从 ChatGPT 推出记忆功能以来，很多用户第一次体验到了"被记住"的感觉。你告诉它自己喜欢日式料理，几周后它居然主动推荐附近的寿司店——这种细微的变化，让 AI 助手从冰冷的工具变成了有"记忆"的伙伴。

但在 Agent 开发领域，这种体验依然稀缺。今天你告诉编码助手"我们项目用驼峰命名法"，明天它可能就忘得一干二净。开发者们不得不反复在提示词里堆砌各种上下文规则，结果提示词越来越长，维护越来越难，遗忘却越来越频繁。

记忆不是提示词的堆砌，而是一种系统能力。这篇文章我想聊聊：如果我们想让 AI 真正拥有长期记忆，到底需要解决哪些核心问题？

Vector Store 的天花板

现在大多数 AI 记忆方案都遵循类似的模式：把对话内容转换成向量，存入向量数据库，需要时通过相似度检索召回相关记忆。这套架构简单直观，也确实能解决一部分问题。

但说实话，它更像是一个可检索的日志系统，而不是真正的记忆。

想想人类大脑是怎么工作的。你不会把过去二十年的每一天都原封不动地存下来，而是会不断压缩、提炼、更新。上个月吃了什么早餐可能早已模糊，但小学时学会骑自行车的经历却清晰如初。记忆是有选择性的——它会演化、会冲突、也需要整理。

Vector Store 做不到这些。它只是忠实地保存每一条记录，然后在你查询时返回最相似的那几条。这解决了"找到相关信息"的问题，却没有解决"如何管理知识"的问题。

真正的记忆系统需要面对三个核心挑战。

记忆压缩：从日志到知识

记忆会无限增长。如果系统把每一次对话都原样保存，很快就会被信息淹没。

举个例子，用户可能多次表达类似的偏好："我喜欢寿司"、"我爱吃寿司"、"寿司是我最喜欢的食物"。一个简单的系统会保存三条甚至更多记忆，但真正有价值的其实只有一条："用户喜欢寿司"。

这里需要的不是简单的去重，而是将大量原始交互压缩为更高层的知识表示——有点像数据库中的 LSM-tree compaction，把原始日志压缩成更高层的状态快照。AI 记忆也需要类似的机制：从原始交互到结构化知识。

但实现起来远比数据库复杂。

首先是抽象层级的问题。假设系统观察到用户喜欢寿司、拉面、披萨，它应该总结出"用户喜欢食物"还是"用户喜欢日本料理"？抽象得太高会丢失信息，太低又达不到压缩效果。如何自动决定合适的抽象层级，至今没有标准答案。

然后是触发时机的选择。定期压缩容易错过紧急信息，基于相似度触发又可能让系统过于敏感。就像你不会每隔固定时间就整理一次房间，也不会一有东西乱了就马上收拾。

最棘手的是避免信息丢失。假设用户说"我喜欢寿司"，又说"我对贝类过敏"。如果系统草率地压缩成"用户喜欢海鲜"，就会埋下安全隐患。记忆压缩必须非常谨慎，因为一旦信息丢失，可能再也找不回来。

记忆演化：当事实发生变化

人类的记忆不是静态的，它会随时间不断更新。2023 年你住在纽约，2024 年搬到了西雅图。一个好的记忆系统应该能理解：纽约的信息已经过期，西雅图才是当前状态。

但 Vector Store 做不到这一点。它只是简单地追加新记录，旧记录永远保留。当你查询时，系统可能同时返回"用户住在纽约"和"用户住在西雅图"，却不知道哪个才是正确的。

从这个角度看，Vector store 更像一个日志系统，而真正的记忆系统需要一个状态机。

事实更新是一个典型场景。用户以前说最爱 Python，后来改学 Rust。系统应该更新旧记忆，而不是简单地追加新记忆。但在向量空间里，"更新"本身就是一个模糊的概念。

时间维度同样关键。一个好的记忆系统应该记录信息的有效时间窗口："用户 2019-2024 年住在纽约，2024 年起住在西雅图"。这样系统才能在特定时间上下文中做出正确推断。

这自然引出了长期记忆与短期记忆的区分。"用户喜欢寿司"可能是长期稳定的偏好，但"用户正在东京旅行"只是临时状态。认知科学里把这分为情景记忆和语义记忆，AI 记忆系统也需要类似的分层结构。

记忆冲突：当信息相互矛盾

这是最困难的问题——记忆很可能互相矛盾。

想象一下，记忆 A 说"用户是素食者"，记忆 B 却说"用户喜欢牛排"。系统必须决定：哪一个才是正确的？

冲突的来源多种多样。可能是用户行为真的发生了变化，从素食者变成了杂食者。可能是用户表达不一致，今天说讨厌 Python，明天又说它很棒。也可能是 LLM 的推断出了错，把语境中的玩笑当成了真实偏好。

解决冲突的策略各有优劣。

时间优先是最直观的：最新信息覆盖旧信息。2023 年是素食者，2024 年开始吃肉，就采用 2024 年的状态。但这并不总是正确，比如用户可能只是在尝试新的饮食方式，并非彻底放弃素食。

置信度机制也很有用。来自用户明确陈述的记忆可以标记为高置信度，LLM 推断的标记为低置信度。冲突时优先选择高置信度记忆。但置信度本身如何量化，又是一个难题。

来源追踪同样重要。记录每条记忆是来自用户直接陈述、LLM 推断还是系统预设，冲突时优先采信用户的话。但这会增加系统的复杂度。

还有一种思路是保留多版本记忆："用户 2018-2023 年是素食者，2023 年后开始吃肉"。这样系统就能在不同时间上下文中使用不同的记忆版本。当然，这也意味着存储成本和管理复杂度的上升。

从开发者视角看记忆

对于每天与 AI 编码助手打交道的开发者来说，这些问题都不是抽象的学术讨论。

在同一个项目内，记忆意味着代码风格的一致性。你告诉助手"我们用驼峰命名法"、"组件文件放在 components 目录下"、"优先使用函数式组件"，希望它能记住这些规则并在后续对话中自动遵循。如果它每次都要重新学习，开发效率就会大打折扣。

跨项目时，记忆涉及个人编码习惯的迁移。你喜欢用某些特定的设计模式，对类型安全有偏执，习惯特定的错误处理方式。如果 AI 能记住这些偏好，在新项目中就能更快进入状态。

与提示词管理相比，真正的记忆系统优势明显。提示词需要手动维护，容易遗漏，长度有限。而记忆系统可以自动更新，按需检索，理论上可以无限扩展。更重要的是，记忆是结构化的，可以被推理、被更新、被解决冲突，而提示词只是一段文本。

更完整的记忆架构

一个成熟的 AI 记忆系统可能需要这样的架构：

原始交互首先经过记忆提取层，由 LLM 识别出值得保存的信息。然后进入结构化存储，在这里经历压缩、演化和冲突解决的处理流程。最后被检索层按需召回。

存储层的选择也很关键。Vector Database 擅长相似度检索，但不擅长表示关系。Graph Database 可以很好地建模实体间的关系。Document Store 适合存储非结构化记忆。Relational Database 则擅长处理结构化属性和约束。真正的记忆系统很可能需要多种存储的组合。

工作流层面，系统需要定期运行 compaction 来压缩冗余记忆，持续监控和更新演化中的记忆，并在检测到冲突时触发解决机制。这不是一次性的批处理，而是持续运行的后台进程。

记忆的本质是知识管理

回头看这三个挑战，它们其实都指向同一个洞察：AI 记忆不是一个检索问题，而是一个知识管理问题。

向量数据库解决的是相似度检索，而记忆系统需要解决的是知识表示、演化和冲突解决。这更像是在构建一个持续演化的知识系统，而不仅仅是一个嵌入向量索引。

Mem0 等项目已经开始探索记忆提取、评分和更新机制，意识到 Memory 不等于 Retrieval。但整体上，这还是第一代 AI 记忆系统。

真正成熟的 AI 记忆，需要能够压缩经验、更新事实、解决矛盾。核心问题其实只有一个：我们应该如何表示"记忆"本身。

当这个问题有了更好的答案，AI 助手或许就能真正记住你——不是像搜索日志那样找到相关记录，而是像朋友那样，记得你喜欢什么、经历过什么、此刻需要什么。那将是一个完全不同的交互时代。