你是否觉得 AI 聊着聊着就「失忆」、越聊越走样？问题往往不是它记性差，而是你没有分层管理它的记忆。AI 的记忆其实不止一层，而是由即时的工作记忆到长期的外部知识库，共五个层次。懂得哪类资料该放哪一层、何时清理、何时交接，AI 才会长期又准又不失忆。以下逐层拆解与实战流程。
AI 记忆不止一层：5 层总览
AI 记忆可分为五层：第一层是即时的 Context Window（工作记忆）；第二层是单次对话的摘要与交接；第三层是 Project／Custom Instructions 的持久设定；第四层是账户层级的全局记忆；第五层是外部记忆（文件、RAG、跨平台记忆工具）。每层的容量、持久度与用途都不同，混为一谈正是失忆的根源。
第 1 层：Context Window（工作记忆）与 context rot
Context Window 是 AI 当下能看到的全部文字，等同「工作记忆」。以 2026 年 3 月为例，Claude Opus 4.6 与 Sonnet 4.6 支持 100 万 token，约 75 万字。但塞得越满不代表越好：token 一多，准确度与召回率反而下降，这种现象称为「context rot」，所以「放什么进去」比「能放多少」更重要。
第 2 层：对话摘要与 60% Handoff 法则
最有效的长对话技巧是「交接流程」：当对话用到约 6 成容量时，先请 AI 摘要目前进度，再开一个新对话、贴上摘要接住做。若把对话推到 9 成容量，推理会明显下降、幻觉增加，因为模型开始追不上早前的逻辑。定期摘要与交接，是维持准确度的关键动作。
第 3 层：Project／Custom Instructions（持久设定）
这一层用来存放「每次都用得到」的稳定信息。Custom Instructions 写下你的身份与偏好，全程通用；Project 则把背景文件与系统提示绑在项目内，同项目的对话都能调用。把长期不变的脉络放这层，就不必反复贴进 Context Window，也减轻 context rot。
第 4 层：账户全局记忆（Claude vs ChatGPT）
账户全局记忆指跨对话自动记住的事实，但各家做法不同。ChatGPT 的记忆分「自定义指示」与「已保存事实」两部分，适用于账户内每个对话；Claude 则把记忆范围限定在 Project 之内，各项目各自持有知识，并不维持跨对话的全局记忆。了解差异，才知道敏感或私密信息会被记到哪里。
第 5 层：外部记忆（文件／RAG／跨平台工具）
外部记忆是模型以外的持久存储：上传的文件、RAG 知识库、笔记系统，乃至跨平台记忆工具。它可以跨对话、跨日子、甚至跨不同 AI 保留你的脉络、偏好与知识。当信息量大、需长期沉淀时，这一层才是你真正的「长期记忆库」，而非塞进当次对话。
每层该放什么、何时清理
分配原则很简单：当次任务的即时内容放 Context Window，用完即清；长对话进度放摘要层并定期交接；稳定偏好与项目背景放 Project／Custom Instructions；跨对话事实交给全局记忆但定期检视；大量长期知识放外部记忆。凡是过时或无关的内容，就从对应层次移除，避免污染输出。
分层管理实战流程
一套可落地的流程：开工前把稳定背景写进 Custom Instructions／Project；对话中只喂当次需要的资料，重要指令放最前、关键资料放最后；用到 6 成容量就摘要并交接新窗；长期知识沉淀到外部记忆库；定期清理全局记忆中的过时事实。照这流程走，AI 的表现就能长期稳定。
常见错误
最常见的三个错误：一，把所有资料一股脑塞进 Context Window，触发 context rot 令答案变差；二，一个对话用到底、从不交接，导致后段逻辑崩坏；三，把只用一次的内容写进全局记忆，污染日后所有对话。避开这三点，并依五层各司其职，AI 就能长期又准又可靠。想把分层记忆管理落地到团队工作流？前往 ai.ud.hk 了解更多 UD 的 AI 员工方案，看看 AI 如何成为你团队中长期可靠的一员。
懂AI，更懂你｜UD相伴，AI不冷
