Claude無法記住跨會話內容，外部文檔才是AI可靠記憶！

當我開始給自己搭一套個人 AI 記憶系統時，本意并不是追前沿，而是解決一個很具體的問題：每天吸收了很多信息，但幾天以后，我常常忘掉“自己為什么會做這個判斷”。3 個月后，當我回頭看 Hermes Agent 和 OpenClaw 的記憶設計，才意識到我踩過的那些坑，恰好就是 AI Memory 這條線正在解決的核心問題。

2026 年 1 月，我開始系統轉向 AI 產品。我沒有 CS 背景，上份工作是開飲品連鎖店，半年前連終端都不會用。

那段時間我有一個很明顯的感受：信息越來越多，但判斷越來越散。每天都在看課程、案例、工具、行業動態，也在記錄自己跟 AI 協作時的踩坑經歷。表面上看，我是在“持續輸入”；但過一陣子回頭看，很多真正重要的東西已經丟了。

我后來發現，我想保存的不是素材本身，而是幾類更關鍵的信息：

這套系統后來被我叫作 RULbot。名字不復雜，就是我名字的縮寫。

它的底層并不神秘，核心就是把“記錄、存儲、分析、壓縮”這幾件事拆開做：

這里最重要的不是“用了什么工具”，而是我后面補上的那層壓縮結構。

我一開始只是想先把內容存下來，后來很快發現，如果沒有壓縮層，越記越亂。于是我把系統拆成了四層：

現在回頭看，這其實已經很接近一個最小可用版的 Memory 架構了。短期信息先完整保留，時間一拉長，就不斷往上壓成更高層的判斷。

這套系統搭到第三周時，我遇到一個很現實的問題：Claude 沒有跨會話記憶。

今天聊得很深入，明天再開一個新窗口，它還是得重新認識我。最煩的時候，同一段背景我要反復講兩三遍。前面做過的總結，像是沒有真正積累下來。

后來我試了一個很笨的補丁：既然模型本身記不住，那我就把階段性總結先喂給它。

4 月初我開始系統看 Hermes Agent 和 OpenClaw 的資料。真正讓我有共鳴的，不是某個單點功能，而是它們的設計思路和我這套“土辦法”高度同構。

我的系統是每日日志、十日報告、月度總覽、人生成長報告，信息一層層往上壓。

Hermes 和 OpenClaw 的命名不同，但本質也在解決同一個問題：什么內容該留在當前會話，什么內容應該沉淀為日常記錄，什么內容該進入長期記憶，什么內容最后要變成可調用的經驗。

這讓我后來越來越相信，分層不是“高級玩法”，而是記憶系統能不能真正可用的前提。

從產品角度看，這件事很重要。因為用戶真正能信任的記憶，通常不是一個看不見的黑盒，而是一個他能回頭檢查、能手動修正的外部載體。

但 Hermes 給我的啟發更明確：真正有價值的，不只是“記住發生過什么”，而是“記住下次怎么做”。前者更像檔案，后者才更接近能力。

這也是為什么我后來會把 Skill 理解成記憶的一種高級形態。它保存的不是信息片段，而是做事路徑。

我現在自己的做法還比較“輕”，前期更多靠標簽和目錄結構，后期再疊加總結和語義理解。

但這段實踐至少讓我確認了一件事：檢索從來不是純語義問題。前期結構如果是亂的，后面再聰明的語義搜索也很難救回來；反過來，如果只有目錄和標簽，沒有語義歸納，很多跨主題的關聯也找不出來。

所以我現在更傾向把 Memory 看成一套組合能力：結構化存放 + 逐層壓縮 + 按需檢索。

很多人談 Memory，第一反應是讓 AI “記住更多東西”。但我自己做完之后最大的體會反而是：容量不是最難的，壓縮才是。

因為原始信息一多，如果沒有壓縮層，后面根本用不起來。把幾十天的日志一股腦塞進 context，表面上什么都在，實際上什么重點都沒有。

所以我現在會把 Memory 的核心能力理解成一句話：不是保留所有細節，而是保留對后續判斷最有用的模式。

這套系統我之所以后來越來越離不開，很重要的原因是：我隨時能回頭看它到底記了什么，也能手動修改它記錯的地方。

這件事放到產品層面，我覺得也是一樣的。尤其是跟“人”的長期信息有關時，如果系統只告訴你“我記住了”，卻不告訴你“我具體記了什么”，用戶其實很難放心。

所以對 AI 產品來說，能被人看見、能被人修正的記憶，往往比“記得更多”更重要。

以前我也會下意識用“能接多少工具”來判斷一個 Agent 是否強大。

但做完這套系統以后，我反而越來越覺得，工具更像手腳，Skill 更像方法。工具多，不等于會做事；方法一旦被沉淀下來，下一次遇到類似問題，系統就不會從零開始。

所以如果把 Memory 只理解成“存信息”，其實有點窄。對 Agent 來說，更有價值的記憶，往往是那些已經被驗證過、可以復用的做事方式。

如果說前面這些判斷更多是在“存”和“找”的層面，那我自己最感興趣的，其實是再往前一步：系統能不能理解事件之間的結構關系。

我在長期整理日志時，越來越習慣用跨學科概念來理解自己的變化。比如等待中的消耗，更像阻尼振蕩；某幾個階段的突然躍遷，更像相變；信噪比提升后，最直接的感受不是“更有收獲”，而是“原本能忍受的噪音突然變吵了”。

這些表達對我不是修辭，它們真的會反過來影響我怎么解釋一個新事件。

這也是我目前覺得很多 AI Memory 系統還沒完全做到的地方：它們已經很擅長存儲與檢索，但在“概念和概念之間如何建立穩定連接”這件事上，還有很大空間。如果這一層做起來，Memory 才更像理解系統，而不只是資料系統。

你只要親手搭一遍，很快就會遇到幾個繞不過去的問題。

第一，壓縮到底怎么做。十天的東西要壓成一頁，什么該留、什么該丟，這根本不是機械問題，而是判斷問題。

第二，結構到底有多重要。前面分類和命名一旦做亂了，后面再強的檢索能力也會受限。

第三，AI 協作是有副作用的。我有一段時間太依賴 AI 幫我整理結構，結果在一些需要臨場組織觀點的場景里，反而更容易卡住。以前我會自己畫思維導圖，把亂的東西一點點掰順；后來很多這類動作被外包了，人是輕松了，但某些能力也確實會變鈍。

所以我現在其實不太相信，只靠幾張 demo 圖或者一篇框架解析，就能真正把 Memory 這件事講透。你自己搭過一次，很多判斷會完全不一樣。

我后來發現，我做的很多項目，底層都在做同一件事：把那些平時不容易被注意到、但又真的有用的信息，慢慢變得可見。

日志分析系統是這樣，Hermes 這類 Agent Memory 也是這樣。

4 月 10 日晚上，我聽一個播客，里面反復提到幾個詞：主體性、認知、context、日記。我當時愣了一下，因為那就是我這幾個月每天都在處理的東西。只不過我不是先從概念出發，而是先從自己的問題出發。

我以前做運營助手平臺時，先埋頭清洗了三年的門店數據，后來才知道那套東西叫 RAG。現在我先搭了一套四層日志壓縮系統，后來才知道它和 AI Memory 的思路很像。朋友開玩笑說，我是“干中學”，總是先做了，才知道它在行業里叫什么。

如果你也在做 AI 產品，我會很建議你：別只盯著別人的架構圖。先給自己搭一套能用的記憶系統。哪怕前期很笨，哪怕很多步驟還是手工的，只要它真的在幫你理解自己、復盤自己、積累自己，這段實踐最后帶給你的判斷，往往比“看懂一個熱門框架”更扎實。