AI 時代，到底該怎麼幫模型建立「記憶」？

這是我最近一直在想的問題。

身為一個心理學出身的人，我想從一個很老的分類談起。長期記憶大致可以分成三類。

這三類記憶在大腦裡其實分屬不同的神經迴路，受傷的時候也會分別損壞。失憶症的患者經常還記得怎麼彈鋼琴（程序），可是完全不記得昨天到底彈過什麼曲子（情節）。我覺得這件事很有意思。

把這套分類拿來看現在的 AI，我突然有個很清楚的感覺。這個時代，人類該幫 AI 做哪一類記憶，已經整個換掉了。

語意記憶：你早就比不過模型了

過去這十年，知識工作者花了大把時間在做語意記憶。建公司 wiki、整理 Notion 資料庫、寫 Obsidian 卡片盒、做 Zettelkasten。我們把腦袋外接到電腦上，期待哪天用得上。

但 LLM 出現之後，這條路其實已經走到盡頭了。

GPT、Claude 這些模型，在訓練階段就讀過比你一輩子能讀的還多的書。「光合作用怎麼運作」、「JWT 跟 session 的差別」、「江戶時代的稅制」，這類事實性的知識，模型隨叫隨到，引用得還比你工整。

你再花時間幫 AI 整理一份「世界知識 wiki」，老實說，就有點像在 Google 旁邊蓋一座圖書館。可能有點意義吧，但真的不多。

情節記憶：這才是 AI Agent 時代你該做的事

可是模型有一個致命的盲點。

它不知道你是誰，不知道你昨天做了什麼，也不知道你跟老闆是什麼關係。

這正是情節記憶的位置。

當我跟 AI agent 一起工作的時候，它真正需要從我這邊拿到的，是這類東西：

這些東西，沒有任何一本書寫過，模型也訓練不到。可是它們才是 agent 把事情做對的關鍵。它得先知道「你的世界長什麼樣」。

實作建議：用 Obsidian 寫情節，讓模型自帶語意

落到工具上面，我現在的做法很簡單。Obsidian 不是拿來整理知識的，是拿來記錄發生過的事。

日誌、會議紀錄、決策當下的脈絡、踩過的坑、今天跟誰談了什麼。

我的日常工作流

我常常一邊上班，一邊把當下的雜訊一條條丟進公司電腦的 vault 裡。

當下寫的時候很碎、很沒成就感，老實說完全感受不到價值。但隔天，神奇的地方就來了。我打開一個新的對話，AI agent 重新讀過 vault，我自己經常連昨天到底做了什麼都記不太起來，可是它就會像上面那樣，一條一條把脈絡接回來。

那種感覺其實很微妙。不是 AI 突然變聰明了，是它讀過了「昨天的我」。它在替我接住那個連我自己都會忘掉的脈絡。

為什麼有效

模型腦袋裡原本就有的語意記憶（全世界的知識），加上 vault 裡你的情節記憶（你自己這個世界的脈絡），思考鏈才會真的咬合起來。它才能說出「根據你上週會議裡提到的擔憂，這個方案可能會跟那條 deploy bug 同一個根因」這種有意義的話。

少了情節記憶，AI 就只是個聰明的陌生人。有了它，AI 才開始有點像，一個跟你共事過的人。

那程序記憶呢？

最後這一塊，程序記憶，目前還用不到。

至少在純文字、純對話的 agent 場景裡，「身體怎麼動」這件事真的沒有意義。程序記憶會被需要的時刻，是 Physical AI（機器人、機器狗，或是未來會走進你家客廳的機器寵物）走進廚房、走進工廠、走進手術房的那一天。它們怎麼用刀、怎麼開門、怎麼處理一杯快要倒的水，這些 know-how 沒辦法用文件去記，得用示範、用模仿、用實際的肢體經驗去訓練。

那是另一個時代的事了。可是說真的，已經沒有想像中那麼遠。看看 Tesla Optimus 這一兩年的進度，再看看 LLM 跟具身學習接起來的速度，我相信，我們有生之年是有機會親眼看到的。也許十年，也許更短。到那一天，「該幫機器建立什麼記憶」就會是另一篇文章了。

收尾

回到此刻。

如果你也是知識工作者，正在猶豫該怎麼整理你給 AI 的「記憶系統」，我的建議真的很簡單。

別再寫百科了，寫日記。

世界的知識，讓模型自己處理就好。你的會議、你的決策、你的失敗、你今天到底做了什麼，這才是你能、也只有你能交給 AI 的東西。

寫下屬於你自己的經驗，這才是我們人類在這個時代，真正不可取代的價值。