作者：蔡正信 數位教練 ＆ OpenClaw 系統架構組
適用對象：一人公司創業者、AI 顧問、高階知識工作者、全棧 AI 工程師
核心主題：AI 記憶工程、上下文優化、雙層畫像快取、動態時序調和、成本控制
1. 痛點診斷：為什麼百萬 Token 上下文依然解決不了 AI 失憶？
許多人在使用 Claude Code、Cursor、ChatGPT 或各種 AI Agent 時，常常遇到令人沮喪的情境：
- 早上花了半小時跟 AI 講清楚專案架構與變數命名規則；下午開個新會話，它又是一張白紙，所有的背景約定又得重新交代一次。
- 許多人以為這是大模型的宿命，或者寄望於「等模型上下文視窗做到 100 萬、1000 萬 Token，把所有歷史對話全塞進去不就解決了嗎？」
這恰恰是 AI 工作流設計中最大的迷思！
盲目塞滿上下文的三大殘酷代價：
- 中間迷失 (Lost in the Middle)： 注意力機制不是無限均勻的。當關鍵資訊被埋在長達數十萬 Token 的中間層時，LLM 的事實回憶精確度會雪崩式下滑。
- 算力與帳單成本雪崩： 上下文不是免費的。每次提問，整段數十萬 Token 的歷史都必須重新計費。在一人公司或小企業中，這會輕易擊穿每日 API 預算（例如 OpenClaw 設定的每日 NT$16.67 預算護欄）。
- 查出矛盾讓模型瞎猜： 真實世界的事實是隨時間動態變化的。全量堆疊歷史只會讓新舊衝突的事實同時呈現在 Prompt 中，導致 Agent 陷入決策癱瘓。
核心定論：記憶做得好，帳單數字是會變的。真正的解法是讓系統知道** 該記住什麼、該忘掉什麼**，而不是無腦塞入更多 Token。
2. 核心認知翻轉：記憶 (Memory) ≠ 檢索增強生成 (RAG)
在建構一人公司的 AI 系統時，必須先釐清「文件檢索」與「使用者記憶」的本質鴻溝：
| 比較維度 | 檢索增強生成 (RAG) | 真正的記憶系統 (Memory System) |
|---|---|---|
| 處理對象 | 靜態文件片段（手冊、代碼庫、PDF） | 關於「人」與「任務」的動態時序事實 |
| 狀態特性 | ** 無狀態 (Stateless)**，對所有人返回相同檢索結果 | ** 有狀態 (Stateful)**，隨使用者與時間持續演進 |
| 面對矛盾 | 三月說「我住在紐約」，七月說「我搬去舊金山」；** 兩條同時撈出讓模型自己猜** | ** 後一條事實推翻前一條**，同時保留時間線 |
| 主要成本 | 向量資料庫檢索與 Embedding 延遲 (~300ms) | 事實抽取與時序調和邏輯 |
結論：向量資料庫解決的是「找文件」，記憶層解決的是「懂使用者」。指望 RAG 順便解決記憶，就像指望硬碟搜尋順便幫你做個人特質快取一樣不合時宜。
3. Supermemory 給一人公司的四大架構啟示
Supermemory（由 20 歲創始人 Dhravya Shah 發起的開源專案，在 LongMemEval 等多項記憶基準奪冠）展示了一套極致優雅的工程解法：
啟示一：時序事實圖譜與動態調和 (Dynamic Dreaming)
- 記憶內部維護時序關係，每條事實皆帶時間戳。
- 具備背景動態引擎（Dynamic Dreaming），在空閒時重新審視事實、調和矛盾，把過期狀態推翻重寫。「記憶的技術難點從來不是『存』，而是『改』」。
啟示二：主動遺忘機制 (Proactive Forgetting & TTL)
- 「記得多，不如忘得乾淨。」
- 隨口說的臨時對話（例如「我明天有考試」、「幫我看這個臨時報錯」）具備生命週期（TTL），過期自動作廢，噪音永遠不會沉澱為永久記憶。沒有衰減機制的記憶庫，三個月後就會退化成無法檢索的垃圾場。
啟示三：雙層使用者畫像主動注入 (Active Supply)
- 傳統方案每次對話現查向量庫，耗時 300ms 且容易查偏。
- Supermemory 將畫像拆為兩層：
- 靜態層 (Static Tier)：長期穩定的事實（角色定位、工程偏好、常用工具、安全規範）。
- 動態層 (Dynamic Tier)：最近的短期焦點（正在修復的 Bug、進行中的專案契約）。
- 每次會話開始，僅需 50ms 一次性注入約 720 Tokens，將上下文佔用壓縮了 99.4%！模型開口之前就已經知道你是誰、你在做什麼。
啟示四：工程韌性 —— 透明代理與 Fail-Open
- 記憶服務若故障或逾時，原始請求透明轉發給 LLM 提供商。
- 記憶掛了，對話不掛；將可靠性永遠置於功能之前。
4. 評估任何記憶系統的「三問黃金框架」
未來當你要為團隊、個人或客戶評估任何記憶產品（如 Mem0, Zep, Letta, 或官方內建記憶功能）時，請使用這三個問題來檢驗：
mermaid
flowchart TD
Q1{"1. 它會不會更新？"}
Q1 -- 否 --> Fail1["只是靜態文字庫"]
Q1 -- 是 --> Q2{"2. 它會不會遺忘？"}
Q2 -- 否 --> Fail2["三個月後變成噪音垃圾場"]
Q2 -- 是 --> Q3{"3. 它給不給得動？"}
Q3 -- 被動等搜 --> Pass1["及格：傳統查詢型記憶"]
Q3 -- 主動 50ms 注入畫像 --> Pass2["卓越：現代主動記憶系統"]- 它會不會更新？
事實會過期，系統能否識別新事實並推翻舊事實？ - 它會不會遺忘？
是否具備 TTL 衰減機制，能主動清理臨時噪音？ - 它給不給得動？
是每次被動等你去搜尋，還是能在會話啟動瞬間主動注入雙層畫像？
🧠 AI 深度分析與重點總結
1. 一人公司記憶組件的「分工黃金三角」
一人公司不應該把所有記憶塞在同一個籃子裡，而應採階梯式分工：
- 即時供給層（Active Profile 快取）：50ms 讀取、小於 800 Tokens，負責提供靜態角色與當前動態焦點，解決會話失憶。
- 長期知識層（Heptabase / 01.Docs）：結構化卡片、深度思考資產、append-only 零刪除，由人類與特工共同沉澱。
- 靜態資料檢索層（LanceDB / RAG）：負責幾百萬字的大型書籍、法規手冊檢索，只讀不改。
2. 算力預算與綠色 AI
在一人公司營運中，AI 不是展示品，而是需要算投資報酬率（ROI）的生產工具。透過「雙層畫像快取」將上下文開銷壓縮 90% 以上，不僅守住每日微型算力預算，更徹底消除了 Agent 的理解漂移（Context Drift）。
🎯 對 OpenClaw / Hermes 系統的落地行動指南
為了將本教案的方法論落實到真實日常運作中，一人公司可依循以下四步落地 SOP：
步驟一：固化你的靜態畫像 (Static Profile)
- 建立或精煉你的
IDENTITY.md，字數嚴格控制在 300 字內。 - 明確寫下你的身分定位、常用技術棧、不可跨越的安全紅線與溝通風格偏好。
步驟二：建立動態焦點快照 (Dynamic Focus Snapshot)
- 維護一份極輕量的
CURRENT_FOCUS.json（或CURRENT_FOCUS.md，< 500 字）。 - 每次完成重大任務或每日工作開始時，更新目前的進行中專案、未完成任務契約與短期約束。
- 使用
scripts/memory/active_profile.py驗證組裝時間是否在 50ms 內。
步驟三：實施時序衝突調和 (Dynamic Dreaming)
- 定期執行
scripts/governance/memory_dreamer.py掃描規則。 - 當發布新版 SOP 或作業規則時，主動在舊規則標記
[DEPRECATED]，避免多版本規則混雜干擾 Agent 判斷。
步驟四：實施暫存資料安全歸檔 (Proactive Forgetting)
- 對於日常除錯、一次性測試產生的
scratch暫存檔，設定 7 天 TTL 生命週期。 - 超期檔案透過腳本自動安全歸檔至
01.Docs/archive/scratch_expired/，既能保持工作區清爽無噪音，又嚴格遵守資產 append-only 零刪除鐵律。