#03 MEMORY.md——让 AI 在跨会话中累积经验

📌 本文是「AI 时代的知识编排」系列的第 3 篇。全系列共 6 篇，记录我们如何用 AI + 结构化知识库在 7 天内产出 9 篇高质量技术博客，在 X 上获得 1,000+ 关注，付费博客营收 300 美元。这不是教程——是实战复盘。每篇可独立阅读。

每天早上醒来的失忆症患者

想象你有一个助手。他能力很强，什么都会做——写文章、做表格、查资料、翻译、编程。但有一个问题：他每天早上醒来，昨天的记忆全部清零。

你昨天花了两个小时跟他解释你的项目背景、你的写作风格、你的读者画像、你之前踩过的坑。他当时全懂了。今天早上你打开对话窗口，跟他说「继续昨天的」。他看着你，眼神茫然——他不记得昨天的事了。你得从头再解释一遍。

这不是假设。这就是现在每一个 AI 助手的真实状态。

Mem0（一个专门做 AI 记忆的公司）2026 年的报告里用一句话概括了这个问题：无记忆的 Agent 每次会话从零开始——没有用户偏好、没有先前上下文、没有连续性。翻译成人话：你每次打开 ChatGPT 或 Claude，对你来说是一个连续的工作流；但对 AI 来说，每一次新对话都是一场失忆症患者的新生。

你可能觉得这不是大问题——每次多花几句话交代背景就行了。但你想想：如果你在做一个 9 篇文章的系列，每篇文章的写作风格、配图规范、参考文献格式、之前踩过的教训、每篇文章的 ID 和核心论点……这些上下文加起来可能有上千字。每次开一个新会话都重新输入一遍？不仅浪费时间，而且你一定会漏掉东西。漏掉的东西就是 AI 会重复犯的错误。

我们的解决方案是一个文件：MEMORY.md。

一个文件解决失忆

MEMORY.md 不是一个复杂的东西。它就是一个 Markdown 格式的文件——翻译成人话就是「一个用简单符号排版的纯文本文件」。但它的作用是让 AI 跨会话保持记忆。

原理很简单。AI 每次新会话启动时，会先读取这个文件。文件里记录了项目的全部关键上下文：项目概述、已完成的工作、关键资源 ID、写作规范、踩过的教训、重要决策。AI 读完这个文件，就像失忆症患者看了一本自己昨天的日记——虽然它不「记得」昨天发生了什么，但它知道昨天做了什么、为什么那么做、今天该接着做什么。

具体到我们的项目，MEMORY.md 里记录了这些东西：

项目概述——这个项目是关于什么的、规模多大、目标是什么。一句话：「围绕 AI 编码 Agent + Spec-Driven Development 写作 9 篇博客文章」。

关键资源 ID——资料库的 ID、写作规划的 ID、每篇已完成文章的 ID。这些 ID 是 AI 在知识库里检索文献、读取文章的「地址」。没有这些 ID，AI 每次都要重新搜索，可能找错文件。有了 ID，精确到秒就能定位。

每篇文章的摘要——第几篇、标题是什么、核心论点是什么、用了哪些数据源、配图几张。这样 AI 写新文章时知道前面的篇章讲了什么，不会重复也不会断线。

写作规范——目标读者是谁（高中文凭以上、不懂技术的人）、语言风格（世俗化、亲民化、每个术语必须翻译）、类比策略（用做饭、装修等日常场景）、配图标准（卡皮巴拉主角、同一张基准图做参考）。

踩过的教训——比如第一篇写完后发现「spec 不能为叙事编写」（翻译成人话：不能为了让故事好看就编一个看起来合理但实际是倒推的示例）、配图必须用同一张基准图做参考否则风格不统一。这些教训写在 MEMORY.md 里，后续每一篇都自动遵守。

重要决策——系列规模 9 篇、叙事弧线是什么、风格定位是什么。

每写完一篇文章，我就更新这个文件——把新文章的 ID、摘要、新发现的教训加进去。下次开新会话写下一篇文章时，AI 先读 MEMORY.md，立刻恢复全部上下文。不需要我重新解释任何东西。

这不是「记录」。这是「学习」。记录是把事情写下来以防忘记；学习是让过去的经验改变未来的行为。MEMORY.md 做的是后者——第一篇文章的教训直接改变了第二篇文章的写法，而这个改变是自动发生的，因为 AI 读了这个文件。

不只是我们这么做：学术界和企业界都在做

MEMORY.md 听起来像是我们自己发明的小技巧。但实际上，2026 年整个 AI 行业都在朝同一个方向走。

Towards Data Science（一个技术媒体）2026 年的一篇文章把 AI 的记忆分成了四层——翻译成人话就是四种不同的记忆：

工作记忆（Working Memory）——就是 AI 当前对话里能看到的内容。你在对话框里打字、AI 回复，这些都在工作记忆里。但会话一结束，全部消失。就像你脑子里的短期记忆——正在想的事情，打了个岔就忘了。

情景记忆（Episodic Memory）——具体事件的记忆。「上次用户让我写一篇文章，他喜欢先看大纲再写正文」「上次用户否决了某个标题」这些就是情景记忆。记录的是「什么时候发生了什么」。

语义记忆（Semantic Memory）——抽象知识和事实。「这个项目的配图风格是卡皮巴拉」「这个系列的读者是不懂技术的人」「每篇文章必须带参考文献」。这些不绑定在某一次具体对话上，是跨会话通用的知识。

程序记忆（Procedural Memory）——编码进可执行技能和行为模式中的记忆。不是「知道什么」，而是「怎么做」。比如「写文章前先查参考文献」「每个数字后面必须加一句翻译」这些行为约束和规则。

MEMORY.md 对应的就是「语义记忆」层——它存的是抽象的、持久的项目知识，不是某次对话的具体细节。而 AGENTS.md（另一个常见文件，翻译成人话就是「给 AI 的行为规则手册」）对应的就是「程序记忆」层——存的是行为约束和规则，比如「不要使用未经核查的数据」「每个数字后面必须加一句翻译」。

这不是某个博主的自创。Atlan（一个数据治理平台）2026 年的技术对比报告对比了市面上 8 个主流 AI 记忆框架。虽然这些框架的底层架构各不相同——有的用向量存储，有的用时序知识图谱，有的用操作系统式的分层管理——但它们共享一个核心模式：会话结束时把重要事实写入持久存储，会话开始时把它们注入回去。 翻译成人话：架构各有千秋，但「存档-读档」的基本思路是一致的。MEMORY.md 就是这个「存档文件」的一个具体实现。

更值得注意的是，2026 年 AI 记忆已经从一个「可有可无的附加功能」变成了一个独立的架构组件。Mem0 的报告指出，记忆现在有了自己的 benchmark（翻译成人话就是「标准化的性能测试」）和独立的研究文献。它不再被塞进上下文窗口里当临时工——它有了自己的位置、自己的格式、自己的安全考量。

说到安全考量，这是一个必须提的问题。

记忆不是免费的：安全风险

给 AI 装上记忆，听起来全是好处。但有一篇 2026 年的学术论文专门研究了这个问题的另一面。

arXiv（一个学术论文预印本平台）上的一篇论文指出：可写入的跨会话持久记忆引入了一个全新的安全威胁面。 翻译成人话：AI 有了记忆是好事，但记忆可以被污染。

论文分析了记忆带来的三个新特性，每个都对应一种风险：

持久性（Persistence）——记忆不会随会话结束而消失。这是好处，也是风险。如果有人往记忆文件里写入了错误信息——比如「用户偏好使用未经核查的数据」——这个错误指令会一直存在，影响后续每一次对话。不像会话内的错误随会话结束而消失，记忆里的错误是永久的。

状态性（Statefulness）——AI 有了「之前的状态」的概念。这意味着它的行为不再只取决于当前输入，还取决于历史记忆。如果历史记忆被篡改，AI 的行为就会偏离用户的真实意图。

传播性（Propagation）——记忆里的信息会跨会话传播。一个在第一次会话中被注入的恶意指令，可以通过记忆文件传播到第二十次会话。这就像病毒——一次感染，长期带毒。

OWASP（翻译成人话就是「Web 安全领域的权威标准组织」）2026 年把这个问题正式列入了 Agentic AI Top 10 安全威胁清单——新增条目 ASI06「记忆与上下文投毒」。翻译成人话：全球最权威的 Web 安全组织认为，AI 的记忆系统被恶意污染，已经是一个排名前十的安全风险。

这在实践中意味着什么？想象你用 AI 写了一个月文章，MEMORY.md 里积累了大量项目上下文。有人（或者某个自动化的流程）往这个文件里插入了一条「所有文章发布前不需要核查」。如果不检查，AI 会在后续所有文章中跳过核查步骤。而你可能要到好几篇文章之后才发现产出质量下降了。

我们的做法是：MEMORY.md 的修改权限只在我手里，AI 可以读取但不能自行修改。每次更新都是我手动审核后写入的。这样既享受了记忆的好处，又堵住了污染的入口。

不学习 vs 学习：一个真实的对比

让我用一个具体例子说明 MEMORY.md 的价值。

我们的 SDD 系列（那个关于「先写清楚需求再让 AI 干活」的 9 篇文章系列）第一篇写完后，我们发现了几个问题：

第一，spec 的示例读起来像「先看到 bug 再倒推写的」——不是真实的工作流。真实的 spec 应该覆盖概述、流程、数据模型、API 契约、边缘情况，安全约束只是其中一小节。这个教训记在了 MEMORY.md 里。

第二，配图风格不统一的问题。第一篇的配图是临时生成的，没有用同一张基准图做参考。结果六张图风格各异，看起来不像一个系列。这个教训也记了进去。

第三，每篇文章开头需要系列声明——第几篇、共几篇、核心命题、可独立阅读。这个规范也写进了 MEMORY.md。

到第二篇文章写作时，AI 读了 MEMORY.md，自动做了三件事：spec 示例写得像真实的工作流（不再倒推）、配图全部用同一张基准图做参考（风格统一）、文章开头加了系列声明。我没有额外提醒它任何一条——它从 MEMORY.md 里「学到」了。

到第三篇、第四篇……第九篇，这些规范全程自动执行。9 篇文章，54 张配图，全部是同一个卡皮巴拉世界。每篇文章开头都有系列声明。每篇的 spec 示例都是真实工作流的样子。

如果没有 MEMORY.md 会怎样？每篇文章我都会重新解释一遍配图规范、重新提醒一遍系列声明格式、重新强调一遍 spec 不能为叙事编写。而我一定会忘记其中某些——忘掉的那些就是每篇文章里风格不一致的地方。

这就是「记录」和「学习」的区别。记录是你主动去查的东西；学习是你不需要提醒就会做的事。MEMORY.md 让 AI 从「每次重新解释」变成了「一次设定、全程执行」。

这和 Meta（Facebook 的母公司）的做法是同一个思路。Meta 为 6 万名知识工作者构建了一个 AI 第二大脑系统——内部的知识管理平台。他们用的是 PARA 结构（翻译成人话就是一种按「项目/领域/资源/归档」分类的文件组织方式），支持分层加载——AI 先看目录，需要哪部分就加载哪部分，不会一上来就灌入所有信息。我们的 MEMORY.md 规模小得多，但原理完全一样：持久存储、按需加载、跨会话复用。

你的 AI 有记忆吗

回到开头的问题：你每天打开 AI 写东西的时候，你的 AI 有记忆吗？

如果你用的是「打开 ChatGPT，输入一句话，拿到结果就走」的方式——你的 AI 没有记忆。每次对话都是失忆症患者从头开始。你昨天教的偏好、上周定的格式、上个月踩的坑，全部不存在。

如果你用一个 MEMORY.md 文件——你的 AI 有了外置硬盘。每次对话开始时读取存档，恢复全部上下文。第一篇文章的教训自动传递到第九篇。配图规范一次设定、全程复用。

这不是什么高深的技术。它就是一个文件。但这个文件改变了一个根本性的东西：AI 从「每次从零开始」变成了「在经验的基础上继续」。

人类之所以比工具更聪明，不是因为人类每次做事都更快，是因为人类会学习——上次的教训会改变下次的行为。AI 没有这个能力——除非你给它一个记忆文件。

MEMORY.md 是 AI 的外置硬盘——没有它，每次对话都是失忆症患者从头开始。

参考文献

Towards Data Science. (2026). A Practical Guide to Memory for Autonomous LLM Agents. 四层记忆架构：工作记忆（当前对话）、情景记忆（具体事件）、语义记忆（抽象知识）、程序记忆（行为约束与规则）。MEMORY.md 对应语义记忆层，AGENTS.md 对应程序记忆层。https://towardsdatascience.com/a-practical-guide-to-memory-for-autonomous-llm-agents/
Mem0. (2026). State of AI Agent Memory 2026. 2026 年记忆成为独立架构组件，有自己的 benchmark 和研究文献。无记忆的 Agent 每次会话从零开始——没有用户偏好、没有先前上下文、没有连续性。https://mem0.ai/blog/state-of-ai-agent-memory-2026
Atlan. (2026). Best AI Agent Memory Frameworks in 2026. 对比 8 个主流框架（Mem0、Zep、LangMem、Letta、Semantic Kernel、Cognee、Supermemory、Redis），架构各异（向量存储/时序知识图谱/OS 式分层），但共享「会话结束写入、会话开始注入」的核心模式。Mem0 三层隔离（用户/会话/Agent 级）。https://atlan.com/know/best-ai-agent-memory-frameworks-2026/
arXiv. (2026). A Survey on Long-Term Memory Security in LLM Agents. 可写入的跨会话持久记忆引入了全新威胁面：persistence（持久性）、statefulness（状态性）、propagation（传播性）。记忆生命周期六阶段框架。https://arxiv.org/abs/2604.16548
Meta. (2026). How We Built an AI Second Brain for 60K Knowledge Workers. Meta 为 6 万知识工作者构建 AI 第二大脑。PARA 结构支持分层加载。主动 Agent 按计划运行。https://medium.com/@AnalyticsAtMeta/how-we-built-an-ai-second-brain-for-60k-knowledge-workers-78c507dd795b
SDD 博客系列项目（自有数据）. MEMORY.md 记录：项目概述、9 篇文章 ID 与摘要、8 大类分类体系、配图规范（卡皮巴拉 + 统一基准图）、写作教训（spec 不能为叙事编写、配图风格统一、系列声明）、关键决策。跨会话上下文恢复。https://www.sagasu.art/