|
为了让 AI 更好地理解我，我不得不把自己的想法写清楚。 以前脑子里一团浆糊的需求，为了喂给 AI，必须结构化地表达。这个过程本身就让我想得更清楚了。 AI 的记忆问题，意外地成了一种思维训练。 也许这才是 AI 最大的价值——不是它帮你记住什么，而是它逼你想清楚什么。
QwenChat 的记忆功能深度解析
QwenChat凭借其独特的记忆机制，在众多 AI聊天机器人中脱颖而出。 它的记忆功能主要体现在两个方面： 显式记忆 (SavedMemories)和 隐式记忆 (ChatHistory)。 显式记忆允许用户通过简单的指令，例如“记住 XX”，来主动告知 QwenChat需要记住的信息，例如个人偏好或特定需求。 这些信息会被写入“用户记忆表”，并在后续对话中被 QwenChat优先调用，作为上下文参考。 隐式记忆则基于用户授权， QwenChat可以访问用户的历史会话记录，通过数据聚类和摘要技术，自动学习用户的风格、兴趣和需求。 这些“洞察”会以较低优先级被写入 System-Prompt，从而在更广泛的范围内优化回答。 从实际体验来看， QwenChat兼具这两种记忆模式的优势。 此外， QwenChat还提供了诸如“定制 Qwen”和“会话归档”等有趣的功能，进一步增强了用户体验。
根据我们的统计，目前提供记忆功能的 AI聊天机器人还包括 ChatGPT、Claude、智谱清言和 文小言。 ChatGPT在记忆效果方面表现出色， Kimi结合其强大的搜索能力，也受到用户青睐。 值得注意的是，不同 AI聊天机器人的记忆实现方式有所不同。 ChatGPT和 QwenChat同时具备显式记忆和隐式记忆， Kimi主要依赖被动记忆（系统自动学习），而 Claude、智谱清言和 文小言则主要依赖主动记忆（用户主动触发）。
记忆压缩不是“把聊天记录删掉”，而是把低密度历史变成高信号上下文，让 Agent 在有限窗口里继续保持目标、决策和约束的一致性。 做 Agent 的时候，最容易踩的坑不是模型不会回答，而是它聊着聊着开始“忘事”。前面明明确认过方案 B，后面又重新推荐方案 A；用户已经说预算只有 5 万，下一轮又给出 20 万方案。表面看是模型不稳定，本质上往往是上下文管理失控。 LLM 每次生成回答时，依赖的是本次请求传入的上下文。对话历史、工具返回、检索材料、系统提示词、业务规则，都会挤在同一个 context window 里。窗口有限，成本也有限，噪声更是会干扰推理。 记忆压缩要解决三件事： 第一，别让历史撑爆上下文； 第二，别让无关内容拖慢推理； 第三，别把关键决策、约束和状态压没了。 1. 记忆压缩到底在压什么？
很多人把记忆压缩理解成“只保留最近几轮”。这只是最粗糙的一种做法。真正的工程视角，是把记忆分成三层： 原始日志：每条用户消息、助手回复、 工具调用 、工具结果都完整保留，用于审计和回放。 工作上下文：每次调用模型时真正塞进 prompt 的内容，必须短、准、干净。 长期记忆：用户偏好、关键决策、项目状态、实体关系等高价值信息，不能只靠原始对话保存。 压缩的目标不是删除历史，而是减少“当前这一步要读的 token”。原始日志可以保留在数据库里，模型当前只需要看到与任务相关、信息密度高、互相不冲突的那部分。 这一点和上下文工程的思路一致：Agent 需要把正确的信息放进上下文，而不是把所有信息都放进去。长上下文不是免费的，过多上下文会带来成本、延迟、注意力分散和错误传播。
方法二：摘要压缩，丢之前先提炼
摘要压缩是对滑动窗口的改进。旧历史即将被移出 prompt 时，不直接丢，而是先压成一段摘要。后续 prompt 中保留这段摘要，再加上最近几轮原文。 这个方案最适合长对话。近期消息保留细节，远期历史保留脉络。它的关键不在“总结”，而在“结构化总结”。如果只是让模型随便写一段摘要，很容易把以后需要的细节漏掉。 摘要压缩用摘要替代旧历史，同时保留近期原文 建议用固定模板约束摘要内容：
SUMMARY_SCHEMA = """
请把即将移出窗口的历史压缩为以下字段：
1. 用户目标：当前到底要完成什么；
2. 已确认决策：已经拍板的方案、结论、选择；
3. 关键约束：预算、技术栈、时间、合规、安全边界；
4. 待办事项：下一步需要继续完成的任务；
5. 禁止重复：已经否决的方案、不要再问的问题；
6. 证据来源：这些结论来自哪些轮次或工具结果。
只保留事实，不要发挥。
"""
AI写代码
更稳的做法是层级式摘要。最近 10 轮保持原文，10 到 50 轮压成中期摘要，50 轮之前进一步压成长期摘要。这样既能保留近处细节，也能保留远期决策。
方法三：重要性过滤，按价值筛，不按时间筛
时间不等于重要性。重要性过滤的思路是给每条记忆打分，只有高价值内容才进入 prompt。低价值内容不一定删除，可以保留在原始日志里，只是在当前这一步不展示给模型。 常见评分因素包括：是否包含用户明确决策，是否包含约束条件，是否被后续引用，是否和当前任务阶段相关，是否来自可信工具，是否已经被新的信息覆盖。 方法四：结构化抽取，换一种载体存信息
前三种方法默认历史仍然是“文本”。结构化抽取则进一步追问：我们真的需要把原始对话塞回 prompt 吗？很多业务里，真正有价值的是对话里产生的事实和状态。 比如用户偏好 Python 、预算上限 5 万、方案 B 已确认、方案 A 已否决、必须兼容移动端。这些内容写成结构化字段，比一大段对话更稳定、更短、更容易更新。
结构化抽取的优势是信息密度高、可审计、可更新。缺点是业务设计成本高。你必须先知道哪些字段值得存，字段冲突怎么处理，用户撤回记忆怎么删除，旧记忆什么时候过期。
6月5日消息，OpenAI 正式推出 ChatGPT 记忆系统的第三代架构「Dreaming V3」。该系统将记忆从「用户手动喂信息」的笔记模式，升级为「后台自动合成、持续更新」的动态理解机制。Plus 和 Pro 用户记忆容量翻倍，服务计算效率提升约5倍，免费用户也将在未来数周内获得 Dreaming 功能。
026年6月4日推出的 Dreaming V3 是一次架构级重构。它不再以 Saved Memories 为核心，而是将后台合成机制作为主系统。ChatGPT 能够跨对话提取、合成、更新用户偏好和上下文，并随时间自动修正过时信息。
Dreaming V3 解决了哪些痛点
记忆不再「僵化」。 旧系统的典型问题是：你7月告诉 ChatGPT「我下周要去新加坡」，三个月后它还以为你在新加坡。Dreaming V3 会自动将「用户计划7月去新加坡」更新为「用户7月去过新加坡」，回到日常对话时推荐的餐厅、时区信息都会回归你的常驻地。
偏好自动识别，无需反复交代。 过去你需要手动告诉 ChatGPT 记住你的饮食偏好、工作背景、设备型号。现在 Dreaming V3 会从多次对话中自动合成这些信息。OpenAI 官方博客展示了一个典型案例：一位水下摄影用户询问「我的水下摄影套件需要买什么 TTL 配件」，开启记忆后 ChatGPT 直接给出了针对其 Sony A1 II + Nauticam 壳体 + Backscatter Mini Flash 3 的精确兼容配件推荐，而不是一份泛泛的通用购物清单。
记忆可查看、可编辑、可控制。 新增的「记忆摘要页面」（Memory Summary）让用户可以一目了然地看到 ChatGPT 记住了什么，支持编辑、删除特定条目，也可以指定「在什么场景下提起什么话题」。不想用？随时切换回手动模式。
技术细节：5倍效率提升与容量翻倍
Dreaming V3 的推出伴随着两项关键技术改进：
服务计算成本降低至原来的约五分之一——这是免费用户能够获得 Dreaming 功能的直接原因。OpenAI 此前一直未向免费用户开放 Dreaming，正是因为为数亿用户在后台持续运行记忆合成的计算开销过高。
Plus 和 Pro 用户的记忆容量翻倍。OpenAI 未披露具体数字，但对于长期重度使用 ChatGPT 的用户来说，容量上限一直是实际瓶颈。
竞品对比：Claude、Gemini 的记忆方案差异
ChatGPT 并非唯一提供记忆功能的 AI 助手。Anthropic 的 Claude 同样具备跨对话记忆能力，其在2026年5月的 Code with Claude 大会上也展示了名为「Dreams」的 Agent 记忆整理机制——但该功能面向的是 Managed Agents 开发者 API，而非消费端用户。Google Gemini 则通过与 Google 账户生态的深度绑定（日历、邮件、搜索历史）来实现上下文理解，路径与 ChatGPT 的对话合成模式有本质区别。
核心差异在于：ChatGPT Dreaming V3 是目前消费端最成熟的「对话历史自动合成」记忆方案，覆盖面从付费用户延伸至免费用户；Claude 的记忆方案侧重开发者和 Agent 场景；Gemini 依赖 Google 生态数据而非对话本身。
上线范围与时间
Dreaming V3 于6月4日起面向美国 Plus 和 Pro 用户开放，未来数周内将扩展至其他国家及 Free、Go 用户。用户可在 ChatGPT 设置中的「个性化 > 记忆」入口查看和管理记忆内容。
| 
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜