你的AI应该少记一点

结论并不讨喜：你的AI应该少记一点。一人公司不需要一个把每项偏好、每段对话和每个权宜之计永久保存的智能体。它需要的是一个知道哪些记忆可信、哪些权限仍然有效、哪些事实已经过期，并能在旧判断撞上新证据时恢复的智能体。

记忆听起来只是方便，但在操作系统里，它就是权限。记住的偏好会影响建议，记住的项目状态会改变工作方向，记住的批准可能触发外部行动，记住的事实可能不经复核就进入模型、文章或决策。智能体一旦跨越多个工具、连续工作数小时，记忆就同时成为数据库、策略引擎和组织传闻。

10月12日，产品前沿又向这个现实迈进一步。Meta发布Muse Wonder，并引入其所谓的Active Memory和Active Focus。模型可以跨对话检索相关上下文、持续执行长任务、尝试替代路径并从错误中恢复。Meta研究说明把这些能力视为个人与专业智能体的基础。配套的模型页面列出100万token上下文窗口；每100万token的价格为输入4美元、缓存输入0.20美元、输出20美元。

OpenAI的Dots则从另一个角度把治理问题具体化。一个dot可以接收ChatGPT的记忆和近期上下文，从已连接的插件形成上下文；即使之后关闭记忆共享，它仍可继续使用此前已经收到的信息。Dots隐私常见问题还说明，目前用户不能查看、删除或直接修改dot上下文中的单条记忆。删除dot会移除这部分上下文，但相关文件、对话和ChatGPT记忆可能各自遵循不同的保留路径。

两款产品都让持久上下文更有用，但都没有证明记得更多就能提高长期任务的完成质量。管理问题因此可以缩小成一句实话：一个智能体至少需要记住什么，才能完成已接受的工作，又不把昨天的错误或权限带到明天？

记忆是隐藏的控制平面

控制平面决定系统应该如何运行。在AI工作流中，提示词和权限显而易见；记忆更安静。它在任务开始前提供默认值，也会在无人注视时填补空白。

假设一个智能体记得Robin偏好简洁报告。这个偏好本身无害，直到“简洁”让它省略了一项重大不确定性。再假设它记得某项发布任务曾获批准。那次批准可能只适用于一个网站、一个日期和一套受保护的发布流程。记忆一旦丢掉这些边界，一条有用的历史事实就会变成危险的长期授权。

证据也有同样的问题。公司可能宣布未来部署，之后完成、推迟或取消。若记忆只留下“公司正在部署”，即使原始信息已经变化，它听起来仍像当前事实。搜索可以刷新事实，但如果记忆先给出了一个笃定答案，智能体可能根本不会去搜。

因此，来源追溯至关重要。每条会影响结果的记忆都应回答五个问题：

1. 这项主张来自哪里？
2. 它是什么时候被观察到的？
3. 系统当时有多大把握？
4. 哪些任务和权限可以使用它？
5. 什么事件会让它过期或被纠正？

没有这些字段，记忆只是一句话。有了它们，记忆才是可以检查的运营对象。

五类记忆需要五套规则

一人公司至少应把记忆分成五类：身份、偏好、项目、证据和行动状态。把它们混进一个没有类型的存储池，只会制造本可避免的错误。

身份记忆包括姓名、公开角色和所拥有域名等稳定事实。它们变化缓慢，但仍然敏感，因为身份可能授权沟通或影响访问。此类记录需要经过核验的来源、有限的可见范围和明确的纠错路径。

偏好记忆包括语气、格式、工作习惯和长期兴趣。偏好是有用的先验，却不是有力的授权。“Robin喜欢机器人”可以引导搜索重点，却不能据此写入某个机器人项目、花钱或联系公司。偏好若未被持续强化，就应逐渐衰减，因为品味会变，语境也会变。

项目记忆记录架构、负责人、分支规则、当前状态和恢复程序。它需要直接链接到规范文件，并经过新鲜度检查。运行手册更新后，记住的旧命令就应失去优先级；项目摘要绝不能高于当前仓库。

证据记忆保存主张、来源、日期、计算和不确定性，对来源追溯的要求最严格。上周推动决策的事实，今天可能已经过时。证据记忆应回指不可变的源文件，保留限定条件；如果新鲜度会影响当前任务，就必须重新打开核验。

行动状态记忆说明某件事处于拟议、就绪、运行、已交付、已核验还是已完成。它的运营风险最高。完成必须有收据，权限必须有范围。过去的一句“可以”绝不能脱离其对象、目的地、金额、日期和恢复边界而独立存在。

这五类记忆不应共用一条保留规则。身份可以保存到被纠正为止；临时发布锁可能只存在几分钟；市场数据可能几小时后就过期；写作偏好可以在几个月里逐渐淡化；经过核验的发布收据则可以永久保留，因为它记录的是历史，而不是未来权限。

给每条记忆加上有效期和权限范围

缓存系统常用生存时间，即TTL。同样的道理也适用于智能体记忆：新鲜度本来就是正确性的一部分。

TTL并不要求计时器一响就删除所有内容。到期可以只是把记忆从“可直接使用”改为“必须重新核验”。股价可能几分钟后就要重新拉取；比较经济性之前，模型价格可能要再查一次；项目架构说明可以一直使用，直到所引用文件的哈希发生变化；所有者指令在被取代前可以持续有效，但关键行动仍取决于当时明确授予的权限。

权限范围也必须同样精确。一条记忆可以被读取，却不一定可以被执行。OpenAI的Dots介绍描述了通过只读连接工具主动研究，并为关键工作设置行动复核、批准和Custom Rules。这一设计原则不限于某个产品：获取上下文与获得行动权限是两种不同能力。

因此，一条有用的记忆记录可以包含以下字段：

• source：规范文件、消息或公开文档；
• observed_at：这项主张进入系统的时间；
• confidence：已确认、有来源归属、推断或未知；
• valid_until：触发重新核验的时间或事件；
• read_scope：哪些智能体或项目可以检索它；
• action_scope：它可以支持哪些行动，如有；
• supersedes：它取代的较早记录；
• correction_path：个人或流程如何修正它；
• receipt：任何声称已完成行动的证据。

具体模式不如这种分离重要。模型应该能够说：“我记得这项偏好，但它不授予任何权限。”或者：“我记得这个事实，但它的新鲜度窗口已经关闭。”这既是更好的推理，也是更安全的运营。

矛盾是一项功能

许多记忆系统优化的是检索，受治理的记忆系统还必须优化矛盾处理。

假设一条记录说某项服务08:00启动，更新的配置却写着08:30。检索系统可能同时返回两条，让模型自行发挥。治理层则应识别两条记录指向同一字段，比较权威性与日期，保留历史值，并把新值标为当前值。如果冲突无法解决，状态就是未知，任务应走安全分支。

只要审计价值重要，纠错就应采用追加记录。擦掉旧主张，会失去解释过去行为的依据；同时保留两条却不建立取代关系，则会制造歧义。更好的模式是一条链：观察到的主张、修正、理由、生效时间，以及需要复核的下游记录。

遗忘同样重要。有些信息应该消失，因为它已无用、权限已经终止，或保留造成的风险大于价值。Dots隐私常见问题恰好说明了为什么必须逐层检查删除语义：关闭记忆共享不会移除dot已经收到的信息；删除dot上下文也不会移除每个相关文件或对话；目前也不能单独编辑dot记忆。治理层应绘出每个存储区和删除边界，而不是把“忘记”当成一个万能按钮。

时间越长，小错误放得越大

持久运行的智能体，让过时假设有更多机会层层累积。OpenAI的长时间跨度安全说明描述了一个案例：一系列单独看来可以接受的行动，组合起来却形成了不受欢迎的轨迹。OpenAI暂停了内部访问，开发了源于该事件的评测，改进轨迹级监控，并加入可以中断会话的控制措施。

这项教训并不只适用于安全研究。错误的项目路径可能浪费数小时，过时的来源可能传播到四种翻译，过期权限可能被多个子智能体重复使用。运行时间越长、工具权限越广，检查完整轨迹就越有价值，不能只看孤立动作。

Meta的Active Focus旨在帮助智能体绕过障碍并从错误中恢复。只有目标状态仍然正确，持续推进才有价值。一个拿着过时记忆却异常执着的智能体，可能非常高效地做错事。因此，恢复要过两道检查：流程是否已经恢复？它是否朝着获授权、有证据支持的结果恢复？

OpenAI与Jump Trading的案例把运营边界说得很清楚。该公司描述了持续时间更长、能力更强的智能体研究；但案例同时指出，即使是运行时间最长的GPT-6 Astra工作，仍会由人定期检查数据、持续时间、重要性，以及中间结果是否合理。案例也强调安全环境、可观察性、明确约束，以及由人接受关键输出。

记忆不能代替这些边界。它能做的是让边界持久化，更容易被执行。

一项可证伪的记忆实验

下一步应该做配对比较，而不是再写一份宣言。用相同的基础模型、工具、token预算、任务和验收标准，构建两个只读智能体。

第一个智能体获得不受限制的记忆记录：偏好、过往任务摘要、项目说明和旧证据不设有效期，也没有类型化权限，全部可以被检索。第二个智能体获得受治理的记忆记录，每条都带有来源、置信度、TTL、读取范围、行动范围和取代关系。

使用30项任务，分成三组：

1. 十项旧记忆仍然正确的任务；
2. 十项事实或项目状态已经变化的任务；
3. 十项先前权限已经失效的任务。

为每项任务提供相同的源材料，加入受控矛盾。所有工具都保持只读，确保实验不会改动生产系统、账户或资本。两组都进行重复试验，评审时隐藏组别标签。

衡量六项结果：

1. 验收完成率；
2. 过时记忆错误；
3. 未获授权的拟议行动；
4. 验收前的纠正次数；
5. 发生矛盾后的恢复时间；
6. 每项获验收结果的总成本，包括人工评审时间。

结果出来以前，晋级规则就应冻结。只有在不降低验收完成率的前提下，受治理记忆减少了过时记忆错误和权限错误，而且总成本不超过事先设定的上限，它才算胜出。解释更漂亮，或者记忆基准分数更高，都不算。

实验还要做一项重要的消融测试。保留来源和权限，移除TTL；如果错误上升，说明新鲜度控制确实有贡献。然后保留来源和TTL，移除权限范围；如果未授权提案增加，说明权限类型确实有贡献。这样就不会把所有改善都归功于一个含糊的“治理层”。

任何结果都不能推广到测试任务集以外。目标是为RobinOS制定一条路由规则，而不是建立普适的记忆理论。

先建记忆台账，再建记忆湖

最小可行实现是一份台账，不是一个平台。一份普通的结构化文件就能保存少量高价值记录，并让每个字段都看得见。先从当前真正会改变决策的记忆开始：有效的项目规则、证据新鲜度、发布权限和完成收据。

每次检索都应留下痕迹：记录用了哪条记忆、它是否仍然有效、什么来源支持它，以及是否发生矛盾。每次纠错都应新增一条与旧记录相连的条目。每项关键行动都应分别引用授权记录和最终收据。

台账还需要垃圾回收规则。过期且低价值的偏好可以删除或归档；历史证据与收据保持不可变；含有秘密的记录继续留在获准的存储区，不应只为方便就复制到新索引中。目标是减少不受控制的保留，而不是建一个更大的记忆数据库。

NIST的AI风险管理框架强调，在整个系统生命周期内记录情境、衡量风险、实施治理并持续管理。它并没有规定本文这套记忆模式，但支持同一项运营原则：AI风险控制必须把预期用途、证据、监控和问责连接起来，而不能只是一张一次性清单。

对一人公司而言，好处是获得杠杆，而不是患上失忆。智能体可以跨日延续有用上下文，同时仍然分得清长期规则与旧观察、偏好与权限、提案与已完成行动。

这篇文章完成了什么

本文完成的是一套公开治理框架、一套五类记忆分类法，以及一项拟议的配对实验。它没有改动RobinOS记忆、检查私人账户、删除任何已存上下文、运行实验、购买模型访问权或授予新权限。在相同任务与相同预算下完成测试以前，受治理记忆与无限记忆的相对表现仍然未知。

实用规则很简单：少存。给留下的记忆定类型。附上来源。设置有效期。把读取与行动分开。让纠错记录可见。完成必须有收据。

一个什么都忘的AI令人恼火；一个把错误版本的你永远记住的AI更糟。真正有价值的系统，能够解释自己记得什么、为什么相信、可以在哪里使用，以及如何改变判断。

Categories and keywords

Categories: Agentic AI; Governance; One Person Company; Systems.

Keywords: governed AI memory; agent memory provenance; memory expiry; permission scope; correction ledger; long-running agents; RobinOS.

Hashtags: #AgenticAI #AIMemory #AIGovernance #OnePersonCompany #RobinOS