与 AI 一起工作 | 6.上下文、记忆与知识库，不是同一回事
使用 AI 一段时间后，人很容易遇到三种看似矛盾的情况：刚刚说过的要求，它转眼就忘了；几天前形成的写作偏好，它有时又能继续遵守；资料明明已经放进知识库，回答时却仍然没有引用到。
这些现象常被笼统地归结为“AI 的记忆不好”。但这里其实混合了三个不同问题：模型当前看见了什么，系统为以后保留了什么，以及外部资料能否在需要时被找到。
它们分别对应上下文、记忆和知识库。
一句话概括：**上下文是当前工作台，记忆是跨任务保留的信息，知识库是需要主动查找的外部资料。**三者可以协同，却不能相互替代。
先看三者分别解决什么问题
| 对象 | 核心问题 | 信息通常来自哪里 | 主要失效方式 |
|---|---|---|---|
| 上下文 | 这一次任务中，AI 当前能看见什么 | 当前对话、系统指令、打开的文件、工具返回 | 过长、噪声、冲突、关键内容被淹没 |
| 记忆 | 哪些过去信息值得以后继续使用 | 历史任务、稳定偏好、项目状态、已确认结论 | 过时、写错、召回错误、混入其他任务 |
| 知识库 | 需要依据哪些外部资料回答 | 文档、网页、数据库、论文和内部资料 | 索引遗漏、检索不准、权限不匹配、来源过时 |
这张表最重要的区别，是信息是否已经进入当前工作区。知识库里存着一千份文档，并不意味着模型此刻正在阅读这一千份文档；记忆系统保存了一条偏好，也不意味着它一定会在本轮任务中被召回。
上下文：模型眼前的工作台
上下文可以理解为 AI 当前摊在桌面上的材料，包括这轮任务的目标、前面的对话、相关文件、工具结果和行为约束。模型要基于这些可见内容判断下一步做什么。
上下文的优势是直接。只要一条信息明确出现在当前工作台上，它就有机会立即影响回答。问题是，工作台的面积有限，而且信息越多并不一定越好。
如果同时放入多份重复文档、长日志、旧版本方案和互相矛盾的要求，关键约束反而更难被识别。所谓“上下文工程”并不只是设法塞入更多内容，而是决定哪些材料现在必须出现，哪些可以暂时收起，以及冲突时以谁为准。
因此，当前任务最关键的信息——目标、范围、禁止事项和验收条件——应当明确出现在上下文中，不能期待 AI 从遥远的历史对话里自行找回。
记忆：不是保存全部历史，而是决定以后带走什么
记忆解决的是跨任务连续性。例如，一个人偏好中文写作，一个项目要求保留原始文档，或者某项研究已经确定了统一名称。这些信息不应每次从头解释，于是系统会把它们保存下来，在后续任务中按需召回。
但记忆并不是完整聊天记录的另一个名字。真正有用的记忆至少包含三个动作：
- 判断什么值得保存，而不是把所有细节永久堆积起来。
- 在新事实出现时更新或替换旧信息，而不是只追加。
- 在相关任务中准确召回，并说明信息来自哪里、形成于何时。
如果缺少这些动作，记忆很快会变成新的噪声源。一次临时要求可能被误当成长期偏好，一条旧结论可能在条件已经变化后继续生效，不同项目的规则也可能被错误地带到一起。
所以，记忆的核心不是“存得多”，而是保存、更新、召回和遗忘的规则是否可靠。
知识库：像图书馆，不像人的记忆
知识库保存的是可查询资料：制度文件、产品文档、论文、项目记录、数据库表或历史报告。它的价值在于把事实来源留在外部，而不是要求模型在参数或对话中永久记住全部内容。
当 AI 需要回答问题时，系统先根据查询寻找相关片段，再把结果送入当前上下文。RAG 是实现这种“先检索、再生成”的常见方式之一，但知识库本身并不等于 RAG，也不等于可靠答案。
一份资料进入知识库后，仍然可能因为标题含糊、切片不合理、权限缺失、关键词不同或版本过时而没有被找到。即使找到了正确片段，模型也可能误读来源或把局部条件扩展为普遍结论。
因此，知识库解决的是“资料放在哪里、怎样找到”，不能自动解决“找到的资料是否足够、怎样解释才正确”。
三者怎样一起工作
无论信息最初来自记忆还是知识库，真正影响当前回答之前，都要以某种形式进入本轮上下文。
这个流程说明了三件容易被忽略的事：
- 保存了，不等于本轮召回了。
- 召回了，不等于已经正确理解。
- 生成了，不等于结论经过验证。
记忆和知识库负责把候选信息带到工作台，最终仍需要根据当前目标组织、比较和核验。
用一次报告写作看清三者
假设我们要让 AI 编写一份本月研究进展报告。
当前报告的时间范围、栏目、读者和字数要求属于上下文，因为它们直接决定这一次任务怎样执行。
长期使用的中文文风、固定章节顺序，以及“区分事实与判断”的写作偏好适合进入记忆，因为它们会在多次写作中重复使用。
本月日报、论文原文、实验记录和官方公告属于知识库或外部资料源，因为它们数量较多、持续更新，并且需要保留来源与版本。
如果把三者混在一起，就会出现典型问题：把本月字数要求记成永久规则，把旧报告里的事实当作当前事实，或者因为知识库中存在一份材料就声称已经核验过它。
什么信息应该放在哪里
| 信息类型 | 更适合的位置 | 原因 |
|---|---|---|
| 当前任务目标和验收条件 | 上下文 | 本轮必须直接可见，且可能很快失效 |
| 稳定的表达偏好和长期规则 | 记忆 | 会跨任务复用，但需要更新机制 |
| 大量事实材料和原始文档 | 知识库 | 需要检索、引用、权限和版本管理 |
| 一次性的中间日志 | 临时上下文或任务产物 | 通常不值得长期保留 |
| 已确认的项目状态 | 带日期和来源的记忆 | 后续需要延续，但容易随进度变化 |
| 高风险事实与最终结论 | 原始证据加当前核验 | 不能只依赖模型记忆或检索摘要 |
这不是绝对分类。同一条信息可能先出现在上下文中，经过确认后写入记忆；一份记忆也可能只保存知识库文档的位置，而不复制整篇内容。重点是明确每条信息的生命周期和权威来源。
三个常见误区
第一，以为上下文越长，回答一定越好。过多材料会带来噪声、冲突和注意力分散，关键是选择与组织。
第二，以为保存了聊天记录，就拥有了可靠记忆。历史记录只是原材料；没有更新、去重和召回规则，它很难稳定支持后续任务。
第三，以为接入知识库，就解决了幻觉问题。知识库可以提供依据，但检索、解释和引用仍然可能出错，关键结论依然需要回到原始来源。
使用前的 30 秒检查
当 AI 出现“忘记了”或“明明有资料却没用上”的情况时，可以快速判断：
- 这条信息是否明确出现在当前上下文中？
- 它是临时要求，还是值得跨任务保存的稳定信息？
- 记忆是否已经过时，是否带有日期和适用范围？
- 知识库是否真的检索到了相关原文，而不是只显示相似标题？
- 当前回答能否指出使用了哪条记忆或哪份来源？
- 如果信息互相冲突，是否规定了权威顺序？
上下文、记忆与知识库共同决定了 AI 能够依据什么工作，但它们承担的是不同职责。把三者分清之后，我们才知道问题到底出在“没有放到眼前”“没有保存下来”，还是“资料没有被正确找到”。
AI 的连续性，不来自一个无限扩张的对话框，而来自对信息生命周期的清楚管理。