AI 产品一直在解决一个很实际的问题：怎样让用户少重复几遍，又不至于在长期使用后越来越听不懂现在的要求。

对个人用户来说，问题通常很直观。每次新建对话，又要重新说明自己是谁、文章写给谁、项目做到哪一步、回答应该保持什么风格。AI 明明用过很多次，体验却像每次都要重新安装和配置。

企业面对的是同一问题的放大版。员工不能每次提问都重新复制公司制度、项目数据、客户背景和内部术语，团队交接也不能依赖某个人存储的聊天记录。AI 要真正进入工作流程，就必须具备某种连续性。

于是，产品开始从“理解当前这段对话”，走向“记住过去聊过什么”。这让 AI 显得更聪明、更熟悉用户，却也带来另一种困扰：它可能不只是记住过去，还会被过去固定。

一、每次都要重新认识，AI 仍然只是一次性工具

没有跨会话记忆，并不代表模型连上一句话都看不懂。它通常可以在当前聊天中正常延续讨论，只是换到新的会话后，之前建立的背景和默契不会自动跟过来。

对于查一个数据、翻译一段文字或者计算一道题，这种“重新开始”没有太大影响。但任务一旦持续几天、几周甚至几个月，重复说明就会成为明显成本。用户不仅要重新交代目标，还要说明哪些内容已经完成、哪些方案已经放弃、当前文件是哪一版，以及过去的哪些结论仍然有效。

不少人因此存储固定提示词，把身份、语气、格式和工作要求整理成一段模板，每次开始时重新发送。这种方法简单，也让用户能够明确控制 AI 本轮应该怎样回答，但它仍然更像在配置工具，而不是延续合作。

这里也不能简单把“中国大陆模型平台”概括为全部缺少记忆。国内产品正处于不同阶段。例如，Kimi 已经公开提供跨会话“记忆空间”，会选择性存储用户的偏好、习惯与风格，用户也可以检视、修改和删除相关记忆。 这说明实际差异更多来自具体产品和功能设置，而不是单纯的地区划分。

但从个人体验出发，“每次都要重新提示”确实会让 AI 显得不够智能。它可能拥有很强的推理和写作能力，却不知道用户上一次已经明确拒绝过什么，也不知道长期项目目前处于哪个阶段。模型能力很强，使用过程却不连续。

跨会话记忆首先解决的，正是这种反复从零开始的问题。

二、当“越来越懂你”变成“替过去的你说话”

有了跨会话记忆，新对话不再完全是一张白纸。系统可以保留用户经常使用的语言、偏好的回答方式、长期目标和部分历史信息，再把它们用于之后的回答。

ChatGPT 目前把记忆分为已存储记忆和对过去聊天的引用，用户可以分别控制相关设置；新的记忆系统还在增加摘要编辑、降低某些内容优先顺序和检视历史版本等能力。 Gemini 也可以利用过去聊天进行个性化，用户能够关闭这项功能，或者通过删除历史对话减少某些内容继续被引用。

这些功能让 AI 从“每次重新认识”走向“逐渐形成了解”。问题是，了解很容易变成概括，概括又可能逐渐变成固定看法。

语言、称呼和回答篇幅通常相对稳定，适合长期存储。但人的观点、项目路线和写作需求并不稳定。用户过去偏好简短回答，不代表当前的研究报告也必须简短；曾经采用过某种技术，不代表项目现在仍然使用它；一篇文章最初从技术角度切入，也可能在后续修改中转向个人或企业用户。

系统如果只记住“用户喜欢什么”“项目使用什么”，却没有保留时间和适用范围，就容易把某次选择变成长期标签。AI 看起来越来越懂用户，实际上可能只是越来越熟悉过去形成的用户画像。

这种熟悉感也会影响用户判断。一个完全不了解背景的模型说错话，很容易被发现；一个能准确说出项目名称、写作习惯和早期设想的模型，即使引用了过期状态，也更容易让人相信它掌握了全貌。

记忆带来的风险因此不只是“记错一个事实”，还包括把已经改变的人继续解释成过去的样子。用户已经改变方向，模型却试图把新要求理解成旧偏好的延伸；旧方案早已放弃，它仍然因为过去被频繁讨论而不断重新出现。

AI 由此从“不够熟悉”走向另一个极端：太熟悉过去，却不容易接受现在已经不同。

三、新对话太陌生，旧对话又太熟悉

一些用户为了避免重新说明，会继续在同一个旧对话中工作。这里存储了完整的讨论、文件和修改过程，看起来比新建聊天更可靠。

但对话越长，不代表模型越能准确掌握当前状态。

上下文可以理解为模型在一次回答中获得的工作材料。聊天记录、上传文件、工具结果和系统提供的信息，都会以某种形式进入这张临时“工作台”。上下文窗口越大，能够同时放下的材料越多，但模型不会像数据库一样稳定、等量地读取所有内容。

《Lost in the Middle》研究发现，重要信息位于长上下文开头或结尾时，模型通常更容易利用；同样的信息位于中间时，表现可能明显下降。 微软针对多轮对话的研究则发现，被测试模型在六类任务中的表现相较单轮任务平均下降 39%。模型容易在交流早期作出假设，过早形成解决路线，一旦走错，后续往往难以真正恢复。

这与用户常见的感受非常接近：模型记得最开始想做什么，也能复述用户刚刚提出的修改，却漏掉了中间那次真正改变方向的决定。它会说“已经明白”，后面的回答却仍然沿用旧结构。

当对话继续增长，产品还可能通过摘要或压缩减少上下文占用。摘要可以保留项目大意，却不一定完整存储状态变化。例如，原本的讨论是“提出方案 A、测试后发现问题、放弃方案 A、改用方案 B”，摘要可能只留下“讨论了方案 A 和方案 B”。两个名称都被记住了，但哪个已经作废却不再清楚。

公开问题报告中也能看到这种体验。一名 VS Code 用户称，Copilot Agent 在较长排查过程中出现“Summarized conversation history”后，失去了已经找到的线索并进入重复循环。 另一名 Codex 用户则报告，上下文自动压缩后，助手从当前任务切回了之前已经完成的旧任务，并执行了无关的git push。

这些只是具体用户对具体版本的报告，不能证明所有产品都会以相同方式出错。但它们说明，界面上仍然保留完整聊天，不代表模型本轮获得的仍是用户看到的完整工作现场。

个人用户因而陷入一种两难：新建对话，背景不足；继续旧对话，早期判断又可能形成惯性；开启跨会话记忆，可以减少重复说明，却可能把旧认识带到新的聊天中。

四、组织需要的不是一个“记住所有员工聊天”的 AI

企业使用 AI 时，同样需要连续性，但企业记忆不能只是个人记忆的扩大版。

个人用户可以让 AI 记住称呼、写作习惯和兴趣偏好。企业真正需要延续的，则是产品定义、客户条件、项目状态、操作规范和正式制度。这些内容涉及不同来源、不同权限和不同生效状态，不能只根据某次聊天中出现过什么来决定。

目前的产品设计也能看出这种区别。Gemini 基于过去聊天的个性化功能不适用于工作或学校账号。 ChatGPT Enterprise 允许管理员控制工作区记忆，但“引用聊天历史”目前并未像个人方案那样直接向 Enterprise 和 Edu 开放。

这说明消费者产品中的“逐渐了解你”，不能简单复制到组织环境。企业不能让某位员工的一次讨论自动变成团队记忆，更不能让个人偏好被误认为组织规则。

某位员工说“我们可以考虑方案 A”，可能只是个人意见；会议记录中出现某个流程，也不代表已经获得批准；一份文件与当前问题高度相关，也不代表它仍然是现行版本。

如果 AI 把这些信息统一压缩成“企业过去说过什么”，个人判断、测试方案和正式决定就可能混在一起。系统表现得像非常了解组织，实际上却没有分清谁有权作出决定，以及哪一份记录已经生效。

因此，企业需要区分至少几类信息：员工自己的工作背景、团队共享的项目状态，以及经过批准的组织知识。它们都可以帮助 AI 回答，但不能拥有相同权重。

五、查得到，不代表现在仍然有效

企业知识系统通常通过文件库、邮件、会议记录、业务平台和数据库为 AI 提供背景。相比每次手动复制数据，这显然更高效，但检索能力解决的只是“能不能找到”，没有自动解决“现在该不该采用”。

Microsoft 365 Copilot 会通过 Microsoft Graph 及输入文件为回答提供组织背景，并遵循用户原有的数据访问权限。 这种机制能够避免员工通过 AI 绕过原有权限，却仍然存在另一个问题：有权读取一份文件，不代表这份文件就是当前有效版本。

同一个项目中可能同时存在草案、测试版、历史版本和正式版；客户条件可能已经修改，但旧邮件仍然保留；生产流程已经更新，旧操作文件却没有删除。AI 只根据关键词和相关性检索，就可能非常准确地找到一份已经过期的材料。

企业联结器本身也分为不同模式。Microsoft 当前文件区分了定期把外部内容索引进 Microsoft 365 的同步联结器，以及在回答时直接查询外部系统的联合联结器。 前者便于统一搜索，却受到索引更新节奏影响；后者更接近实时数据，但仍然依赖源系统本身的内容和权限是否正确。

权限设置错误还可能带来另一类风险。Microsoft 明确提醒，如果联结器被错误配置为组织内所有人可见，可能造成敏感内容的过度共享。

所以，企业需要解决的不只是记忆，还包括版本、权限、时效和批准状态。AI 可以找到历史，但不能仅因为历史仍然存在，就让它继续代表组织现在的决定。

六、支线：AI 为什么一步步走到跨会话记忆

个人和企业今天遇到的这些问题，与 AI 产品的发展路线有关。

最初的方向很直接：扩大上下文，让模型一次看到更多内容。Anthropic 在 2023 年把 Claude 的上下文从 9K 提升到 100K token；Google 在 2024 年发布 Gemini 1.5 Pro 时，为部分开发者和企业客户测试最高 100 万 token 的上下文。

但更长的上下文并没有自动解决信息利用问题。Anthropic 后来还专门建议，在处理长材料时先提取相关引文，再回答问题，以提高召回效果。

当上下文继续增长，产品开始加入摘要、检索、项目知识库和外部联结器。系统不再尝试每次把全部历史都塞给模型，而是先挑选可能相关的内容，再放进当前上下文。

跨会话记忆可以看作这条路线进一步面向普通用户后的结果。它不是脱离上下文独立执行的第二个大脑，而是产品在回答之前，从过去聊天、记忆条目或外部数据中选取内容，重新摆到当前工作台上。

这也解释了为什么上下文问题和跨会话记忆问题会互相靠近。旧对话可能在压缩时丢失变化过程，跨会话系统又可能把保留下来的结论重新送入新对话。现有公开证据还不足以证明所有产品都会把对话摘要直接存储成长久记忆，但两种能力最终都需要面对同一件事：过去的信息进入当前回答时，系统怎样判断它是否仍然有效。

七、真正困难的不是存储，而是放手

个人和企业都不能只在“完全不记”和“什么都记住”之间二选一。

完全不记，个人需要不断重复提示，企业需要员工反复复制组织背景。什么都记住，临时观点、旧项目状态和过期文件又可能持续影响之后的回答。

更合理的记忆需要同时处理三件事：延续、放手和纠正。

延续，是让仍然稳定的背景继续发挥作用。个人不必每次重新说明语言和长期目标，企业也不必反复解释经过确认的术语与制度。

放手，不是删除全部历史，而是让已经失效的内容退出当前任务。系统可以保留用户过去采用过某种写法，也可以保留企业曾测试过某项流程，但不能因为它们曾经正确，就默认它们现在仍然有效。

纠正，也不能只表现为模型在当前回复中说一句“明白了”。个人改变偏好、项目更换方案、企业发布新版本后，新的状态应当真正影响后续回答。旧内容可以作为历史保留，但需要明确知道自己已经不再是当前结论。

目前的产品正在增加检视、编辑、删除和关闭记忆的控制，说明厂商已经意识到记忆不能只有写入，没有撤销。Kimi 允许用户检视、更新和删除记忆；ChatGPT 和 Gemini 也分别提供不同程度的记忆管理与关闭能力。

但控制按钮还不能彻底解决问题。用户可能不知道哪一条历史信息影响了回答，企业也可能不知道某份旧文件为何被检索出来。AI 同样无法观察用户没有告诉它的现实变化。

因此，真正成熟的记忆能力，不是声称自己永远掌握最新状态，而是能够区分稳定信息、最后一次已知状态和当前仍未确认的内容。遇到明显冲突时，它不应悄悄选择过去，而应该把冲突暴露出来，让个人或组织重新确认。

记忆需要能被更新

记忆减少了重复说明，但过期的偏好和项目状态也可能继续影响新回答。在组织里，错误上下文或权限还可能影响客户沟通和项目判断。

有用的记忆系统应保留仍然有效的信息，允许用户修正或删除已经变化的内容，并在之后的回答中体现纠正。记忆的价值取决于它是否准确、是否适用于当前任务。