引子：上一秒刚告诉它，下一秒就问你是谁

你有没有遇到过这样的 AI：上一秒你刚告诉它你的名字、你的需求、你的偏好，下一秒它又问"请问您是谁？"

这不是段子，是很多 AI Agent 的真实状态。它们有一个通病，叫"失忆症"——对话一结束，上下文清零，下次启动就是一个全新的陌生人。你昨天刚让它帮你调好的配置，今天再问"上次那个问题解决了吗"，它一脸茫然。

这背后的原因，是大多数 AI Agent 根本没有"记忆"这个概念。它们靠的是一块有限的"上下文窗口"，装得下就记得，装不下就忘。而窗口一旦满了，最早的信息就被无情地截断丢弃——哪怕那条信息恰恰是最关键的。

那么，人类是怎么解决这个问题的？人类有记忆。而 WorkMate 的聪明之处，就在于它模拟了人类的记忆模式，让 AI 也能"记住过去、参照习惯、越用越懂你"。

一、Agent 的"失忆困境"：问题出在哪

先看看，Agent 在对话过程中，到底会遇到哪些问题。归纳起来，主要是四个。

第一个问题：上下文丢失。 这是最核心的问题。AI Agent 在多轮对话或长期任务中，一旦超出模型的上下文窗口限制，又没有建立持久记忆机制，早期信息就会被截断、遗忘。结果就是回答前后矛盾、重复询问用户、任务中断。有研究显示，朴素的全上下文方案，token 消耗比记忆层方案高出约 10 倍，响应延迟高出约 91%。

第二个问题："中间遗忘"。 大模型的注意力机制存在一个"中间遗忘"现象——上下文越长，模型越容易"迷失"。即使是最新的模型，在超长上下文场景下，中间部分的信息召回率也会显著下降。也就是说，它可能记得开头，记得结尾，却把中间最关键的内容忘了。

第三个问题：多 Agent 接力漏话。 一些系统采用多个 Agent 分工协作，一个负责理解意图、一个查数据库、一个生成回复。听起来很优雅，实际跑起来像几个同事接力传话，每传一次就漏一点上下文。有团队复盘后发现，70% 的 token 消耗在了重复传递背景信息上，真正用于回答问题的只占三成。

第四个问题：成本失控。 上下文越长，每次调用的成本就越高。如果管理不当，一个 Agent 一天处理上千次对话，费用可能翻 3 到 5 倍。

这四个问题，本质上是同一个根源：Agent 只有"工作记忆"，没有"长期记忆"。 它只能记住当前这一小段对话，记不住过去，更记不住"你这个人"。

二、人类是怎么记忆的：三层记忆的智慧

要解决 Agent 的失忆问题，最好的老师，其实是人类自己。因为人类的大脑，天然就是一套精妙的记忆系统。

人类记忆，大致可以分成三层。

第一层，短期记忆——记住今天的细节。 你今天上午开了什么会、见了谁、聊了什么，这些细节你都记得清清楚楚。短期记忆容量不大，但足够鲜活，能支撑你处理"当下正在发生的事"。

第二层，中期记忆——记住这周的概况。 这周你完成了哪些事项、大致情况如何，你心里有数。虽然记不住每一句话的细节，但你知道"这周做了三件事，其中两件已经完成，一件还在推进"。中期记忆帮你把握"最近一段时间的脉络"。

第三层，长期记忆——形成固定的习惯。 你习惯用表格呈现数据、喜欢简洁的文风、偏好用中文沟通……这些是长期积累下来的"习惯和偏好"。它们不占用你当下的注意力，却在你做每一件事时，悄悄地影响你的选择。

而人类执行任务时，有一个关键的动作：先回忆，再参照。

当你接到一个新任务，你不会从零开始。你会先回忆——"这件事我以前做过吗？当时是怎么做的？用了什么方法、走了什么步骤？"然后，你会参照过去的习惯和惯例——"我习惯怎么处理这类事？我的标准是什么？"

这就是人类高效的原因：我们不是每一次都重新发明轮子，而是站在过去的记忆和经验之上。

三、WorkMate 的三层记忆架构：把人类的记忆模式搬进 AI

WorkMate 的设计者显然深谙这一点。它的记忆系统，就是一套模拟人类记忆的三层架构。

短期记忆，对应人类的"记住今天的细节"。 WorkMate 存储用户最近完成任务的完整对话记录，为 AI 提供最近任务的完整上下文。这样，当你在一个连续的任务里和 AI 协作时，它能记住你前面说过的话、做过的决定，不会"聊着聊着就忘了"。

中期记忆，对应人类的"记住这周的概况"。 WorkMate 会在每次任务完成后，自动调用大模型生成一段不超过 300 字的对话摘要，重点保留用户的需求、决策和关键结论。这些摘要，就是 AI 的"中期记忆"——它记不住每一句话的细节，但记得住"最近做过哪些事、大致是什么情况"。

长期记忆，对应人类的"形成固定的习惯"。 WorkMate 会通过一个"后评估器"，在任务完成后自动分析用户输入和 AI 回复，提取用户的稳定偏好——比如"报告要简洁""用表格呈现""请用中文""发邮件通知"。这些偏好，就是 AI 的"长期记忆"，是它对你这个人的"习惯画像"。

更精妙的是，WorkMate 还模拟了人类"先回忆、再参照"的执行方式。它有一个"相关记忆搜索"机制：当你发起一个新任务时，AI 会先去历史记忆里搜索——"有没有处理过类似的事情？当时是怎么做的？"然后把这些相关经验加载进来，作为当前任务的参照。

这就和人类一样了：接到新任务，先回忆类似经验，再参照过去的习惯，最后动手做。

四、WorkMate 如何组织上下文：记忆的"注入"与"管理"

三层记忆架构是"骨架"，但要真正发挥作用，还需要一套精密的"记忆管理"机制。WorkMate 在这方面下了不少功夫。

第一，按需加载，而不是全量塞入。 很多 Agent 的做法，是把所有历史对话一股脑塞进 prompt，结果上下文窗口很快爆掉，成本飙升。WorkMate 恰恰相反——它不加载全部历史，只在需要时检索相关记忆。系统提示词构建时，会并行加载三层记忆：中期记忆（摘要）、长期记忆（偏好）、相关记忆（主题搜索），然后按"长期→中期→相关"的顺序注入。这样既保证了 AI 有足够的记忆，又避免了上下文膨胀。

第二，三层防护的相关记忆搜索。 为了避免"为了搜索而搜索"，WorkMate 给相关记忆搜索设置了三层防护：第一层，剥离来源前缀标记，获得纯净的查询语义；第二层，前置过滤，跳过"你好""测试"这类无实质内容的短句；第三层，LLM 评分匹配，对候选摘要进行 0-10 分评分，只保留 5 分以上的高相关结果。这套机制确保"回忆"是精准的，而不是"想起一堆无关的东西"。

第三，对话压缩，保留关键链路。 当对话过长时，WorkMate 会自动压缩——保留任务执行链路（触发、思考、执行、结论），去除冗余噪声（冗长数据、重复寒暄、无效试错）。这样，即使是很长的对话，也能被压缩成"精华"，既不丢失关键信息，又不占用太多空间。

第四，偏好自动提取与去重。 后评估器在任务完成后，会用大模型分析对话，提取用户偏好，然后与已有偏好做语义去重——避免"图片文字语言：中文"和"图片文本要求：中文"这种重复条目。只保存真正新增的偏好，让长期记忆保持干净、准确。

五、为什么 WorkMate 能越用越懂你、越用越聪明

把这一切串起来，就能回答那个最关键的问题：为什么 WorkMate 能越用越懂用户、越用越聪明？

答案，藏在"记忆的循环沉淀"里。

第一层循环：偏好越积越准。 每一次任务完成，后评估器都会从对话中提取你的偏好，并沉淀到长期记忆。用得越多，AI 对你的习惯画像就越完整、越准确。第一次它可能只知道"你喜欢用表格"，第十次它就知道"你喜欢用表格呈现关键事项清单和时间倒排表，截止时间默认设周五下午三点"。这就是"越用越懂你"。

第二层循环：经验越积越多。 每一次任务完成，都会生成一份摘要，沉淀到中期记忆。当你下次遇到类似任务时，相关记忆搜索会把过去的经验找出来，供 AI 参照。用得越多，AI 可参照的"历史经验"就越丰富，处理新任务时就越有章法。这就是"越用越有经验"。

第三层循环：技能越积越强。 WorkMate 的后评估器，还会利用记忆系统存储的对话，自动评估"是否需要创建新技能、改进已有技能"。当它发现你反复做某类重复性操作时，会把这些经验沉淀成"技能"，下次直接调用。用得越多，AI 掌握的技能就越多，能力就越强。这就是"越用越聪明"。

这三层循环，让 WorkMate 从一个"每次从零开始的工具"，变成了一个"带着记忆和习惯成长的伙伴"。它记得你的偏好、记得过去的经验、记得学到的技能，并且把这些记忆持续地沉淀、更新、复用。

结语：记忆，是 AI 从"工具"变成"伙伴"的分水岭

回到开头那个问题：为什么很多 AI 会"上一秒刚告诉它，下一秒就问你是谁"？

因为它们没有记忆。而没有记忆的 AI，永远只能是一个"工具"——你用一次，它忘一次，你们之间没有任何积累。

WorkMate 的不同，在于它把"记忆"这件事，当成了整个系统的核心。它模拟了人类的记忆模式——短期记住细节、中期记住概况、长期形成习惯；它模拟了人类的执行方式——先回忆类似经验，再参照过去的习惯；它甚至模拟了人类的成长方式——把每一次经历，都沉淀成下一次的养分。

正是这套记忆系统，让 WorkMate 从"工具"走向了"伙伴"。它越用越懂你，越用越有经验，越用越聪明。而这一切的起点，其实很简单——让 AI 学会"记住"。