• 当前位置：首页
  • 专栏
  • Becomewiser
  • 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。

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。

记忆 AI 上下文 Skill L4
发布于 2026-06-11
3
版权声明

我们非常重视原创文章，为尊重知识产权并避免潜在的版权问题，我们在此提供文章的摘要供您初步了解。如果您想要查阅更为详尽的内容，访问作者的公众号页面获取完整文章。

查看原文：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。
文章来源：
Becomewiser
扫码关注公众号
扫码阅读
手机扫码阅读
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：
层级
名称
本质
L1
会话窗口
当前会话里的所有内容都在上下文里，对话不断，上下文不断
L2
压缩摘要
上下文快满时对历史内容做总结，再好的总结都会丢失细节
L3
可检索档案
过去所有的会话信息被存储下来，需要时按语义或关键词去检索相关片段
L4
长期记忆
用户主动要求记住的内容，或是系统从会话中提炼出来写入持久规则的信息
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

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。

有没有什么办法可以直观看到任务进度情况？


了解更多

Becomewiser

查看原文：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。
文章来源：
Becomewiser
扫码关注公众号
相关推荐
记忆力系列最后一篇完结！！
1080
记忆 板斧 ！！！ 场景
这会是你看的最后一篇关于记忆力的文章！！！
Google又发布了一篇可能改变AI未来的论文，这次它教AI拥有了记忆。
604
记忆 模型 AI 大脑
真正的希望
眼不见，心不忘！华科&快手联手发布混合记忆新范式：攻克视频世界模型最致命缺陷
2
记忆 动态 模型 HyDRA
点击下方卡片，关注“AI生成未来”????扫码免费加入A
Claude Code泄露代码深度解析（大量工程内幕和新功能首次曝光）
2
Agent 记忆 上下文 SubAgent
Anthropic的一次打包失误，让全球开发者得以一窥当前最顶级的AI编程助手的工程细节
AI 的下一场竞争，可能是长期记忆
13
记忆 用户 AI 上下文
  过去两年，大模型的进化主线其实很清晰：从看得
学完容易忘？你的记忆力有救了！
1012
记忆 记住 大脑 表征
这下带你彻底搞定记忆力~
Becomewiser

吃好喝好，长生不老。

61 篇文章
浏览 61.1K

还在用多套工具管项目？

一个平台搞定产品、项目、质量与效能，告别整合之苦，实现全流程闭环。

查看方案
Becomewiser的其他文章
踏入产品领域时回答的为什么，你的答案变了么？
最开始我只是想把事情做的更好一点。
AI速读神器上线，和阅读焦虑说byebye（附工作流+提示词）
和所有的烦恼说拜拜????????
Figma无痛画原型，一键直出设计稿和代码
一种很新的抠脑壳方式
有手就行，小白入门数据分析
线性回归是y=kx+b，帕累托是二八定律。
当 Claude Code 遇上强迫症：AI 的工位终于有救了
任何强迫你学习新模式、改变习惯的解决方案，都可能本身就是问题的一部分。
随机阅读
成功废除阶层的10个组成部分
08-17
教练初体验
08-17
点击即得：敏捷价值流管理攻略！
08-21
客户案例：敏捷转型的二三事儿
08-21
华为如何做需求管理？
08-19
加入社区微信群
与行业大咖零距离交流学习
PMO实践白皮书
白皮书上线
去下载