跟 InfiniSynapse 说一句“接着昨天那份分析”，新会话也有记忆
写在前面：这一篇我只想讲清楚一个功能 ——InfiniSynapse 任务列表里那个"存入记忆库"是什么、怎么用、为什么真有用。
全程在
app.infinisynapse.com用英文界面演示。看完你会知道：第二天回来追问同一个数据指标，可以真的不用再讲一次背景。
1. 为什么记忆库值得单独写一篇
我用 Agent 跑数据分析，最大一笔"沉默成本"其实不是模型推理，是每次开新会话都要把上下文重讲一遍：
这个数据库叫什么、长什么样
注册时间字段叫created_at还是register_time、用的是 UTC 还是东八区
"新增用户"的口径具体是什么
上次给我的那张图是堆叠柱状图还是双轴的、配色是什么
这些信息第一次让 Agent 摸出来要花 1~2 分钟，因为它要 schema 探查、SHOW CREATE TABLE、试几条 SQL 才知道怎么算。如果你第二天开新会话再问一次，它默认还是从零开始。
InfiniSynapse 的"Save to memory"（存入记忆库）解决的就是这件事：把一次跑通的会话沉淀下来，下次只用一句话引用， Agent 自己就能把"表名、字段、口径、图表风格"全部从记忆里捞回来。
⚡ 核心价值
省下来的不是 token ，是你重新组织语言去解释一遍的精力。
2. 我的演示场景：一个老板问昨天那份"7 天注册用户"数据
打开 app.infinisynapse.com[1]，登录之后默认是 New Task 页：
我账号里挂了 3 个 Supabase 数据源：
下面整个故事我只用auto_coder_chat，问的是注册用户数。
2.1 第一天：让它做一份正式的 7 日趋势分析
我在 New Task 输入框里把问题写得故意正式一点，让它认真做：
Using auto_coder_chat database, give me the daily breakdown of new user registrations for the past 7 days, plus the cumulative total at the end of each day. If a chart helps the trend, draw one.
回车提交， Agent 立刻进入"Thinking..."并自己规划了 4 个 phase 。第一阶段Discover relevant registration tables and schema，可以看到它在做：
在auto_coder_chat里找可能存注册信息的表
跑SHOW CREATE users确认表结构
检查时间戳列、确认 schema
这就是"沉默成本"的样子。看着不长，但每次新会话都要走一遍。
让它跑完， 5 个阶段全部 ✓：
最后产物是双轴图（柱状图＋累计折线）+ 一段总结：
到这里需求满足了。关键的下一步：把整个会话存进记忆库。
2.2 关键动作：右上的 ··· 菜单 → Save to memory
鼠标悬停到左侧任务列表对应的那一行，行尾出现 ⋯ 三点菜单。点开就是三项：
Save to memory（存入记忆库）—— 我们要的
Move to Project
Delete
点 Save to memory ，顶部冒出 ✅ "Save successful!" 的提示：
到这里 Day 1 的工作就结束了。这次会话不仅留在 All Tasks 里，还被吸进了我账号下的隐性记忆库，下次新会话可以被 RAG 召回。
3. 第二天：一句话让它接着昨天那份分析
第二天打开同一个站点，左上角点 New Task 起一个全新的、没有任何上下文的会话。我故意写得很口语化，连"看哪个表 / 哪个字段 / 什么图"都不提，只说"接着昨天那份"：
Recall the auto-coder.chat new user registration analysis I ran earlier — refresh the numbers with today's data, draw the same kind of dual-axis chart, and give me a one-sentence trend summary.I'll go take a short break in the meantime.
最后那句"我去喝杯咖啡"是故意加的，意思就是：你接着干，别再来追问我背景。
提交。 Agent 这次自己规划的 5 个 phase 长这样：
# | Phase | Type |
|---|---|---|
1 | Recover prior analysis context and metric definition | RAG Research |
2 | Inspect relevant auto_coder_chat tables and identify source fields | Data Analysis |
3 | Compute refreshed registration metrics with today's data | Data Analysis |
4 | Generate the same kind of dual-axis chart | Data Analysis |
5 | Deliver updated numbers and one-sentence trend summary | Data Analysis + Technical Writing |
注意Phase 1 的类型是 "RAG Research"—— 它正在去记忆库里捞昨天那次会话。这就是 Save to memory 真正的接入点。
打开 Phase 1 看具体动作：
记忆库返回的不是一段聊天记录，而是 Agent 自己整理过的结构化"上下文卡片"：
Date Range： past 7 days, 2026-04-21 to 2026-04-27
Tables & Columns： Primary Table =auto_coder_chat.users, Key Column =created_at
Metrics： New Users （当日新增）+ Cumulative Total End of Day （截至当天的累计）
Chart Structure： dual-axes ， column + line ， titleauto_coder_chat: New User Registrations, Last 7 Days
也就是说第一天我让 Agent 摸了一遍才知道的所有事，今天它0.x 秒就拿回来了。后续 Phase 2 它的原话是：
"I recovered the prior metric definition from memory; now I'm verifying the current source table and timestamp field in
auto_coder_chatbefore recomputing today's numbers."
💡 设计巧思
记忆库不是绝对真理， Agent 仍然会快速校验一次表和字段确实没变。但它已经不需要"探"了，只是"核对"。
我去倒咖啡的功夫， Agent 跑完了。回来看结果：
最下面是直接可复制的更新数据 + 一句话总结：
精确到能贴进周报：
Total new users in the last 7 days:41
Largest single-day increase:24 on 2026-04-23
End-of-period cumulative users:69 by 2026-04-27
One-sentence trend summary:"Registrations were flat on Apr 21–22, surged sharply on Apr 23, then continued at a lower but steady pace before a stronger finish on Apr 27, lifting the cumulative total to 69 users."
4. 我自己用下来的几个心得
4.1 记忆库 ≠ 聊天历史
第一次看到 "Save to memory" 我以为是"收藏一段聊天记录"。完全不是。
它存的是 Agent 给自己做的那份结构化沉淀：用了哪个库、哪张表、哪些字段、口径怎么定、图怎么画。下次别人问类似问题， Agent 不是"翻聊天记录"，是像查 wiki 一样精准捞这几条事实。
技术上这就是 RAG ，所以新会话里它的 Phase 1 名字直接就叫 "RAG Research"。
4.2 提示词里要有"recall / earlier / 我之前那份"这样的引子
记忆库不是会自动伸进每个新会话的。它只在 Agent 觉得需要"找历史"的时候才会被检索。
实际触发它的写法（亲测有效）：
写法 | 会不会触发记忆库 |
|---|---|
"Recall the X analysis I ran earlier" | ✅ 高概率 |
"Continue from yesterday's task about X" | ✅ 高概率 |
"Refresh the X numbers with today's data" | ✅ 中等 |
"Show me X" | ❌ 直接当新问题做 |
所以值得养成这个语言习惯：把每次复盘类的提问都加一句"recall / 接着上次那份 / 把上次那张图刷新一下"。
4.3 越是"探查成本高"的任务，记忆库越值钱
下面这几类任务我现在必存：
业务库的 schema 探查——表名 / 字段 / 时区 / 单位"分还是元"，这些一旦摸清就该沉淀。
运营指标的口径——"DAU 怎么算"、"留存看 7 日还是 30 日"，每家公司都不一样，存下来下次直接用。
图表风格——双轴 vs 堆叠 / Top-N 排序 / 颜色区分，存下后下次会画得一模一样。
跨数据源的 join 路径——比如"user_id 在 A 库是 int ，在 B 库是 string ，要 cast"。
只问一次的问题（"这表里有几条数据"）就别存了，没意义。
4.4 它和 Rules （规则）的分工
InfiniSynapse 还有一个相关功能叫Rules （规则管理）—— 那是给 Agent 写显式的"硬约束"，每次会话都自动带上。
两者的差别我是这么理解的：
维度 | Rules | Memory |
|---|---|---|
写入方式 | 用户主动写一段约束 | Agent 自己沉淀，用户只点 "Save" |
触发方式 | 每次会话默认携带 | RAG，按提示词召回 |
适合什么 | 硬规则（"金额单位是分"）、踩坑教训 | 一次性分析的可复用上下文 |
数量 | 几条到几十条精修 | 多多益善，反正按需召回 |
两个一起用最爽： Rules 卡住硬错（"别把毫秒时间戳当成年份"）， Memory 沉淀软上下文（"上次这个表我用的是 created_at"）。
5. 一句话总结
InfiniSynapse 的Save to memory，本质是给 Agent 的"长期记忆"加一个用户自定义、按需召回的入口。
第一次让它把一份分析做扎实
存进记忆库（一次点击）
第二次用"recall / 接着上次那份"召回
你去喝杯咖啡，回来看更新过的同款图表 + 一句话趋势总结
这是我目前用 Agent 做数据分析最爽的一种循环。
参考链接
[1] app.infinisynapse.com: https://app.infinisynapse.com