Wise：深度解析AI的记忆机制，Hermes的自我进化机制和Skill是记忆的延伸。

Wise：深度解析AI的记忆机制，Hermes的自我进化机制和Skill是记忆的延伸。 Wise：深度解析AI的记忆机制，Hermes的自我进化机制和Skill是记忆的延伸。 Modified May 16 长期记忆，是需要持久存储的最核心的记忆。 AI 在这一层做的事情是提炼：从大量对话里挑出真正值得永远记住的东西，写进用户偏好、项目规则或者系统提示里。 编程类的 Agent，比如 Claude Code，会把规则结构化地写入全局的 CLAUDE.md；豆包、ChatGPT 等通用 AI 则是单独的记忆记录，承载用户让它记住或者系统提炼出来的内容。 L4 的信息极少，也是最稳定的记忆形式。它不需要被动检索才能触发，每次启动都被自动加载，相当于 AI 的出厂设置，额外写进去了关于你的核心认知、你要求的规则。 但它的代价是：每一条长期记忆都永远占用一部分上下文空间。 所以长期记忆的核心挑战不是能存多少，而是该存什么。 什么都记住和什么都没记，结果是一样的，无关的信息挤占了窗口空间，反而让 AI 在处理当前任务时更迟钝。 这四层是彼此独立的。 L2 压缩出了语言偏好的总结，不等于它会自动进入 L4 成为长期记忆。L4的信息太少，也支撑不了完整的历史回忆。 我们在设计Agent的时候，不能指望一层解决所有问题，每一层都有自己的职责和局限。 记忆是怎么重新出现的 理解了四层记忆各自的机制，那下一个问题是：既然模型本身没有持久记忆，那它每次对话时看起来"记得你"的体验，到底是怎么产生的呢？ 大模型不会自己学习你的行为，不会在你没告诉它的情况下理解你的偏好。 它在每一轮接收到你的信息时，重新读取一遍和你有关的内容。而它读到什么，是由工程的来决定。 这里会包含两类内容： 一、每次都能看见的内容 系统提示词、长期记忆（L4）、环境变量、Skill 定义等等——这些属于无论如何都往上下文里注入的内容。 每一家 Agent 的策略不同：Claude Code 有一整套上下文注入的机制，包括你是谁、CLAUDE.md、工具列表、环境说明。 它的默认注入量不会太多，因为每多注入一条，就多占一点空间。 第二个部分是按需检索的。 我们问AI："你还记得我上周说的那个方案吗？"系统会触发 L3 的检索流程：先根据时间范围缩小目标会话，再用语义或关键字匹配那段聊天，把找到的内容给模型看一遍，让模型在这个基础上回答你的问题。 而 Skill、MCP 也是 AI 通过匹配用户的问题和工具的描述进行调用，同样属于按需加载的范畴。 这两类机制组合在一起，让模型产生了"它记得我"的体验。 Skill是记忆的延伸，是AI的另一种自我进化 爆火的 Hermes，GitHub 的 Star 达到了 14.8 万，接近 OpenClaw 的一半。它当时爆火的原因之一是：自我进化。它会评估完成得不够好的任务，自动生成一个 Skill，在未来遇到同类任务时调用那个 Skill 来提高表现。于是你会觉得它越用越好用，因为同类任务的出错概率被系统性地降低了。 这其实符合 LangGraph对记忆的分层抽象：它把 memory 拆成短期的 checkpoint 和长期的 store，再将长期记忆细分为 semantic（事实）、episodic（经验）、procedural（说明）。 三者分工不同：semantic 类似所有发生过的事，需要时可以回忆。 episodic 类似 Skill，把不常用但需要的东西变成可加载的技能，保证记忆的干净和效率。procedural 类似系统提示词或 CLAUDE.md，是全局不可违背的规则，通过自我改进持续优化。 Skill 的出现不是偶然，它解决的是长期记忆（L4）的一个核心矛盾：规则太多、太长尾，有的可能只用一次。在以前，我们会把所有规则都塞进 CLAUDE.md。但规则多了，上下文就会特别臃肿。有些规则只会在特定场景下用到，全局加载会很浪费。 我们的人生经验也不会全部写到日记里随身携带，信息太多反而找不到重点。 Skill 把经验从规则里分离了出来。规则是全局生效的禁令和约束，Skill 是按需加载的专项能力。需要的时候再进行使用，不需要的时候不会浪费上下文的空间。 这么看来，系统提示词是 Agent 的核心行事本能，全局规则是在这套机制上的约束，而 Skill 则是按需使用的经验。 对于构建 Agent 真正的挑战是对这些记忆进行分层治理：对于上下文（L1/L2），你要进行存储和压缩的策略设计。对于长期记忆（L4），你需要决定是几条精炼的规则，还是类似 OpenClaw 的 User.md 式结构化记录。 而到了运行规则层面，系统提示词、全局的 CLAUDE.md、Skill 三者的边界在我们自己构建的 Agent 里又该怎么划分呢？ 在决定把一条信息放在哪里之前，我们可以先问自己：这是一个应该全局禁止的教训，还是一个只对某一类任务有价值的经验？如果是后者，把它写成 Skill，不要把它塞进规则。 如果我们希望更改 AI 的思维方式、优先级比规则更高的东西，那就应该放在系统提示词里。 最后 下一次当你遇到 AI 忽然失忆了，其实不是它变笨了。 如果用工程来解读记忆：注意力机制是一种计算架构，上下文窗口是信息边界，记忆的写入是提取规则，记忆的检索是索引和排序。 人类替 AI 设计了一整套系统，让它知道什么时候该记忆、什么时候又该遗忘。 AI：很高兴重新认识你，我的朋友。 原文 https://mp.weixin.qq.com/s/42BTdtA wTk44niY6TU3zg 觉得不错的话，可以关注下歪斯噢 参考资料 Code block Bash Copy Agent 记忆框架 1、Launching Long Term Memory Support in LangGraph https://blog.langchain.dev/launching long term memory support in langgraph/ 2、Cognitive Architectures for Language Agents https://arxiv.org/abs/2309.02427 3、Memory and State in LLM Applications https://arize.com/blog/memory and state in llm applications/ 上下文压缩（L1 / L2） 1、Hermes Agent: Context Compression and Caching https://hermes agent.nousresearch.com/docs/developer guide/context compression and caching 2、Memory Hermes Agent https://hermes agent.nousresearch.com/docs/user guide/features/memory 可检索档案（L3） 1、Memory OpenClaw Docs https://docs.openclaw.ai/concepts/memory 2、Built in Memory OpenClaw Docs https://docs.openclaw.ai/concepts/memory builtin 3、How OpenClaw Memory Works https://www.db0.ai/blog/how openclaw memory works 长期记忆 / 系统提示注入（L4） 1、Memory Claude Code Docs https://code.claude.com/docs/en/memory 2、Claude Code Dynamic Context Injectionhttps://www.365iwebdesign.co.uk/news/2026/01/23/claude code dynamic context injection/ 长期记忆，是需要持久存储的最核心的记忆。 AI 在这一层做的事情是提炼：从大量对话里挑出真正值得永远记住的东西，写进用户偏好、项目规则或者系统提示里。 编程类的 Agent，比如 Claude Code，会把规则结构化地写入全局的 CLAUDE.md；豆包、ChatGPT 等通用 AI 则是单独的记忆记录，承载用户让它记住或者系统提炼出来的内容。 L4 的信息极少，也是最稳定的记忆形式。它不需要被动检索才能触发，每次启动都被自动加载，相当于 AI 的出厂设置，额外写进去了关于你的核心认知、你要求的规则。 但它的代价是：每一条长期记忆都永远占用一部分上下文空间。 所以长期记忆的核心挑战不是能存多少，而是该存什么。 什么都记住和什么都没记，结果是一样的，无关的信息挤占了窗口空间，反而让 AI 在处理当前任务时更迟钝。 这四层是彼此独立的。 L2 压缩出了语言偏好的总结，不等于它会自动进入 L4 成为长期记忆。L4的信息太少，也支撑不了完整的历史回忆。 我们在设计Agent的时候，不能指望一层解决所有问题，每一层都有自己的职责和局限。 记忆是怎么重新出现的 理解了四层记忆各自的机制，那下一个问题是：既然模型本身没有持久记忆，那它每次对话时看起来"记得你"的体验，到底是怎么产生的呢？ 大模型不会自己学习你的行为，不会在你没告诉它的情况下理解你的偏好。 它在每一轮接收到你的信息时，重新读取一遍和你有关的内容。而它读到什么，是由工程的来决定。 这里会包含两类内容： 一、每次都能看见的内容 系统提示词、长期记忆（L4）、环境变量、Skill 定义等等——这些属于无论如何都往上下文里注入的内容。 每一家 Agent 的策略不同：Claude Code 有一整套上下文注入的机制，包括你是谁、CLAUDE.md、工具列表、环境说明。 它的默认注入量不会太多，因为每多注入一条，就多占一点空间。 第二个部分是按需检索的。 我们问AI："你还记得我上周说的那个方案吗？"系统会触发 L3 的检索流程：先根据时间范围缩小目标会话，再用语义或关键字匹配那段聊天，把找到的内容给模型看一遍，让模型在这个基础上回答你的问题。 而 Skill、MCP 也是 AI 通过匹配用户的问题和工具的描述进行调用，同样属于按需加载的范畴。 这两类机制组合在一起，让模型产生了"它记得我"的体验。 Skill是记忆的延伸，是AI的另一种自我进化 爆火的 Hermes，GitHub 的 Star 达到了 14.8 万，接近 OpenClaw 的一半。它当时爆火的原因之一是：自我进化。它会评估完成得不够好的任务，自动生成一个 Skill，在未来遇到同类任务时调用那个 Skill 来提高表现。于是你会觉得它越用越好用，因为同类任务的出错概率被系统性地降低了。 这其实符合 LangGraph对记忆的分层抽象：它把 memory 拆成短期的 checkpoint 和长期的 store，再将长期记忆细分为 semantic（事实）、episodic（经验）、procedural（说明）。 三者分工不同：semantic 类似所有发生过的事，需要时可以回忆。 episodic 类似 Skill，把不常用但需要的东西变成可加载的技能，保证记忆的干净和效率。procedural 类似系统提示词或 CLAUDE.md，是全局不可违背的规则，通过自我改进持续优化。 Skill 的出现不是偶然，它解决的是长期记忆（L4）的一个核心矛盾：规则太多、太长尾，有的可能只用一次。在以前，我们会把所有规则都塞进 CLAUDE.md。但规则多了，上下文就会特别臃肿。有些规则只会在特定场景下用到，全局加载会很浪费。 我们的人生经验也不会全部写到日记里随身携带，信息太多反而找不到重点。 Skill 把经验从规则里分离了出来。规则是全局生效的禁令和约束，Skill 是按需加载的专项能力。需要的时候再进行使用，不需要的时候不会浪费上下文的空间。 这么看来，系统提示词是 Agent 的核心行事本能，全局规则是在这套机制上的约束，而 Skill 则是按需使用的经验。 对于构建 Agent 真正的挑战是对这些记忆进行分层治理：对于上下文（L1/L2），你要进行存储和压缩的策略设计。对于长期记忆（L4），你需要决定是几条精炼的规则，还是类似 OpenClaw 的 User.md 式结构化记录。 而到了运行规则层面，系统提示词、全局的 CLAUDE.md、Skill 三者的边界在我们自己构建的 Agent 里又该怎么划分呢？ 在决定把一条信息放在哪里之前，我们可以先问自己：这是一个应该全局禁止的教训，还是一个只对某一类任务有价值的经验？如果是后者，把它写成 Skill，不要把它塞进规则。 如果我们希望更改 AI 的思维方式、优先级比规则更高的东西，那就应该放在系统提示词里。 最后 下一次当你遇到 AI 忽然失忆了，其实不是它变笨了。 如果用工程来解读记忆：注意力机制是一种计算架构，上下文窗口是信息边界，记忆的写入是提取规则，记忆的检索是索引和排序。 人类替 AI 设计了一整套系统，让它知道什么时候该记忆、什么时候又该遗忘。 AI：很高兴重新认识你，我的朋友。 原文 https://mp.weixin.qq.com/s/42BTdtA wTk44niY6TU3zg 觉得不错的话，可以关注下歪斯噢 参考资料 这张图是我的豆包记忆界面，这里什么都没有，它没有留下任何关于我的记录。 但在问豆包问题时，它却能够记得我这几天和它聊的内容。 那 AI 到底有记忆还是没有记忆呢？记忆又是怎么产生的？ 这周看了很多的资料，结论是AI有记忆，但不是我们人类的模式。 它不是在像人一样记住你，它是在每次对话里重新认识你。 记忆是 AI 产品都必须面对的工程难题：如果 AI 不能可靠地"记住"用户，那它的"懂你"就只是一次性的表演，而不是可持续的体验。 所有 AI 助手、编程 Agent、客服机器人的个性化能力，都建立在这个基础上。 搞不清它的机制，你连龙虾、爱马仕为什么突然"失忆"可能都很难排查。 记忆的本质还是工程。 记忆，到底是怎么产生的？ 记忆，从工程的角度至少覆盖了四件不同的事情，但我们在不同场景下都叫它记忆，所以也会产生一些误解。 就像我们手机里的聊天记录、备忘录和身份证，虽然都算是存着你的信息，但它们的保存方式、使用场景却完全不同。 记忆大致能够区分成这4个层级： 简单来说：L1 和 L2 管的是聊天窗口，也就是我们和豆包、龙虾聊天的地方，它解决的是在当前会话里AI能记住多少内容。 L3 负责的聊天历史，过去聊过了什么，又要查到什么。 L4 则是核心信念，关于你这个人，最值得永远记住的是什么。AI又要永久的以什么方式运作。 它们解决的不是同一个问题，实现方式也完全不同。 L1 是上下文工程，L2是上下文的压缩策略，L3 是存储和检索系统，L4 是记忆、规则的形成与筛选机制。 它们共享了记忆这个名字，但却不能够混为一谈。 这四层分别是怎么工作的 L1 会话窗口及L2 压缩摘要 在查看 AI 的接口文档时，能看到模型的上下文长度，它的意思是模型一次能够处理的总Token量。 只要不新开对话窗口，你说的每一句话、模型的每一次思考、工具调用、模型的输出，全部都留在这个窗口里。 这就是最原始的AI记忆机制，非常的简单直接，模型能工作的窗口越长，注意力机制越好，那它就能记住我们的对话。 但缺点是我们新建一个对话就没有了，而且这个窗口是有上限的，超出上限或者用量达到 50 80% 时，早期的消息就可能会丢失或者截断。 更关键的是窗口里内容越多，模型受到的干扰越大，理解你当前问题的能力就越差。 所以对上下文窗口的管理策略变得重要：什么时候压缩、压缩什么、丢弃什么，这些决策直接决定了 AI 能不能在长对话里保持清醒。 例如最近爆火的 Hermes，它的策略是：当上下文使用量到 50% 就触发压缩机制。不是等到上下文爆炸了再去救火，而是提前把旧对话进行结构化的总结，让模型始终工作在干净的上下文里。 这个设计的逻辑是：与其让模型在满载状态下艰难工作，不如主动牺牲一部分历史细节，用来换取AI提升对当前任务的理解。 但压缩是有代价的，当上下文达到阈值，系统会对历史内容生成一份概括性的总结。 你和 AI 讨论了 X 项目的架构，决定用 Y 方案。 但总结之后它只记得结论，不记得推导过程，你再追问细节，它很可能答不上来。 不是它忘记了，而是那段信息在压缩总结的时候已经被丢弃了。 L3 可检索档案 所有的对话历史都可以被存储下来，变成可检索的档案。 这一层要解决的问题是：存什么内容，以及什么时候、用什么方式检索。 OpenClaw龙虾的做法除了直接存储原始对话，而是基于每一天的对话生成一份记录。 当需要回忆某件事时，可以先通过时间缩小搜索范围，再通过理解你的意思去查询相关的内容，最后把查到的内容重新让AI看一遍。所以当你发现 AI 失忆了，可以先排查这三个环节： • 内容有没有被存下来，或者存储的格式是否完整。 • 内容存下来了，但检索的时候有没有查到。 • 内容被查到了，但没有被允许放进当前会话的上下文，因为窗口空间有限，系统可能判断这条信息对当前对话不够重要。 这三个环节是一条完整的工程链条，任何一个断裂都会导致AI 的失忆。 L4 长期记忆或规则