为什么"记忆"是 AI 助手的胜负手

2025 年开始，主流模型在通用能力上拉不开太大差距了。GPT 也好、Claude 也好、DeepSeek 也好， 对一个一次性问题的回答质量都已"够用"。

但用户的真实痛点不是"这个问题答得对不对" —— 是 "它要我重复说几次同样的话？"

三类用户的共同抱怨

我们采访了 30 多个深度 AI 用户，三类人抱怨惊人地一致：

"每次都要重新介绍我自己。我做什么、用什么风格、忌讳什么。"

—— 一位科技博主

"周一交代过的事，周三同一个 AI 又问我一遍。"

—— 一位产品经理

"改 prompt 改到第 N 次它终于按我要的格式输出。下一轮又忘了。"

—— 一位独立开发者

共同点：他们都不缺一个聪明的 AI，他们缺一个记得他们的 AI。

"记忆"这件事到底有多复杂

听起来很简单：把上一轮的对话存下来。

但真做起来你会撞上一连串选择题：

1. 存什么？ 全部对话？只存事实？只存偏好？
2. 怎么提取？ 让用户手动加？让 AI 自动总结？信心多少时该问用户？
3. 怎么去重？ "我喜欢直接的回复" 和 "回复别废话开头" 是同一条吗？
4. 怎么过期？ 三个月前我说"在做 X 项目"，现在项目结束了，怎么自然地让它"忘掉"？
5. 怎么注入？ 全部塞 system prompt？模型上下文不够。Top-K 检索？怎么排？
6. 怎么跨端？ 浏览器换了、设备换了，记忆怎么跟着我？

灵溪对这 6 道题的答案分别是：

1. 只存四类：偏好 / 事实 / 习惯 / 目标。其它都是噪音。
2. AI 提取 + 用户确认 + 信心阈值 + 来源溯源。每条记忆都能点开看"哪一段对话提取出来的"。
3. 向量相似度 + LLM 仲裁。相似度高的不直接合并，让模型判断是 duplicate / update / complement / new。
4. 时间衰减半衰期。可配置 N 天，旧记忆得分自动 ×0.5，让旧偏好"自然过气"。
5. 全部少时塞 system；多时 Top-K 召回。Top-K 用 cosine + 时间衰减加权。
6. Supabase 实时同步 + RLS 行级隔离 + 一键导出 JSON。

这是终局吗

不是。我们才刚起步。

但一个会记住你的 AI 助手，对比一个每次重新见面的 AI 助手，体验差距是 10 倍级别的。 就像 1995 年用过浏览器书签的人没法回到没书签的时代。

如果你和我们想的一样，来用用看。

— 灵溪团队