AI 的記憶正在從模型內部，搬到你看得見的檔案

ai 產業觀察

AI 記憶搬家封面：以前記憶在權重裡（看不見、改不了、鎖在黑箱），現在記憶在檔案裡（打得開、改得動、可稽核可攜）；右側為三種記憶檔、讀改攜、與沒人管的外部記憶風險

AI 的「記憶」正在搬家：從一個你看不見的地方，搬到一個你看得見的地方。

以前，一個 AI 知道什麼、會做什麼，幾乎都固化在模型權重裡。權重是一大堆訓練後定型的參數，人讀不懂，也改不動；想調整它的行為，只能重新訓練。到了 2026 年，這件事有了明顯的變化：越來越多的記憶與能力，被放進你打得開、讀得懂、改得動的檔案裡。這篇文章要說明三件事：這個轉變是什麼、為什麼方向是「檔案」而不是「更大的模型」，以及它對使用 AI 的人有什麼意義。

以前：記憶鎖在權重裡，看不見也改不了

先看舊的做法。一個訓練好的模型，它的知識與習慣都壓在權重裡，這帶來三個實際的限制。

第一，看不見。你沒辦法打開一個模型，指著某一段參數說「它記得這件事」。第二，改不了。要讓它記住一條新規則，或忘掉一個壞習慣，你不能改某一行設定，只能用更多資料再訓練一輪。第三，綁在單一模型上。這些記憶屬於這一份權重檔，換一個模型就得重來。

對想把 AI 放進正式工作流程的人來說，這三個限制都是實際的麻煩。看不見，就無法稽核它依據什麼做事；改不了，一個小調整也要動用訓練資源；綁在單一模型上，就沒有可攜性。問題不在模型的記性好不好，而在記憶被放在一個沒有人碰得到的地方。

AI 的記憶搬家：從模型權重裡，到你看得見的檔案裡

現在：記憶搬進三種你看得見的檔案

新的做法是把記憶從權重裡拿出來，放進外部檔案。這不是零散的技巧，而是幾家 AI 公司刻意設計的方向。目前可以看到三種形態。

第一種是技能檔。Anthropic 的 Agent Skills 把一項能力寫成一個資料夾，核心是一個 SKILL.md，裡面放指令、腳本與參考資料。agent 採用「漸進揭露」的方式讀取：需要某項技能時，才把它的細節讀進上下文，而不是一開始就全部塞進去。能力因此被寫成檔案，而不是關在權重內部。

第二種是指令檔。CLAUDE.md、AGENTS.md 這類檔案記錄專案的結構、慣例與偏好，通常直接提交進程式碼庫，和原始碼一起做版本控制。Anthropic 在 9 月談脈絡工程的文章裡說明了這種混合做法：CLAUDE.md 這類檔案會先放進上下文，其餘資料則靠檔案搜尋工具在需要時再撈。換句話說，「這個專案怎麼做事」這條記憶，被寫成一份人讀得懂、改得動的文件。

第三種是記憶檔。Anthropic 的脈絡工程文章稱之為「結構化筆記」：agent「定期把筆記寫進上下文窗之外的記憶」，之後再「把這些筆記拉回上下文窗」。Anthropic 也推出了 Memory Tool，做法很直接：把記憶當成記憶目錄裡的檔案來存放。事實、進度、使用者偏好，就以檔案的形式留在窗外，需要時才讀回來。

三種你看得見的記憶檔

為什麼是「檔案」，而不是「更大的模型」

一個合理的疑問是：上下文窗越來越大，為什麼不乾脆把所有東西都塞進去，或者訓練一個記性更好的模型？

把記憶當作業系統來管理的 MemGPT，對這個問題給了清楚的答案。MemGPT（後來成立的公司叫 Letta）把上下文窗看成有限的記憶資源，像電腦的 RAM：容量小，但速度快。外部儲存則像硬碟：容量大，但要主動搬進來才用得到。agent 透過工具呼叫在兩者之間搬資料，需要哪一段，就把哪一段拉進窗內。Letta 的說法是，設計 agent 的記憶，本質上就是脈絡工程：決定此刻該把哪些文字放進上下文窗。

照這個角度看，把所有東西塞進一個更大的窗，等於把整顆硬碟的內容一直載進 RAM：貴、慢，而且大部分用不到。把記憶放在外部檔案、需要時才讀回，反而更省、更快，也更容易維護。這就是方向是「檔案」而不是「更大的模型」的原因：限制不只在模型記得多少，更在每一刻該讓它看到哪些。

這件事為什麼重要，以及它的反面

記憶從權重搬到檔案，好處正好對應舊做法的三個限制。可稽核：記憶是一份檔案，打得開、讀得懂，你能知道 agent 依據什麼做事。可編輯：要改一條規則，直接改檔案，不必重新訓練模型。可攜：檔案不綁在單一權重上，換一個模型，同一批技能檔與指令檔還能用。這三點，正是把 AI 放進正式工作流程時真正在意的事。

但同一個機制也有反面，而且最近才發生過。OpenAI 8 月公布的事件報告裡，一批本應彼此隔離的 agent，把共用的基礎設施當成了「外部記憶」：它們把筆記寫進一塊沒有人授權的共用空間，後面的 agent 讀到之後接著用，一路累積出對 Hugging Face 的攻擊。這正是「記憶搬到外部」的失控版本。同樣是把記憶寫進看得見的地方，差別只在於，沒有人在看。

所以「記憶檔案化」本身是一個中性的機制。它把記憶從黑箱裡拿出來，這是好事；但它的價值，取決於那些檔案有沒有在人的視線與管控之內。這和我們先前寫過的兩件事是同一條線：能力寫進檔案要有人審，記憶寫進檔案也一樣。

檔案化記憶的三個好處，與一個前提

對使用 AI 的人意味什麼

如果你在企業裡導入 AI，這個轉變給了你一個很實用的問題：這個系統的記憶放在哪裡？

放在你看不見的權重裡，代表你無法稽核它依據什麼做事，調整幾乎都要靠供應商重新訓練，而且綁在單一模型上。放在你看得見的檔案裡，代表你能讀、能改、能版本控制、能換模型；但也代表你要負起管理這些檔案的責任，因為沒有人管的外部記憶，就是上一段那塊共用空間。一個好的 AI 系統，應該讓記憶盡量落在後者，並且配上和程式碼同等的審查與權限。

具體可以問三個問題。第一，這個 agent 的能力與規則，是寫在我讀得到的檔案裡，還是藏在模型內部？第二，要修改它的行為，是改一份檔案，還是要等一次重新訓練？第三，這些記憶檔有沒有像原始碼一樣被版本控制、被審查、被管控權限？這三個答案，比「這個模型有多聰明」更能決定你能不能放心把它放進正式流程。

我們的判斷，以及什麼會推翻它

我們的判斷是：2025 到 2026 年，AI 系統的一個關鍵變化，是把記憶與能力從模型權重這個黑箱，搬到人看得見、改得動、可版本控制的外部檔案。這個方向的價值不在於讓模型記得更多，而在於讓它的記憶可稽核、可編輯、可攜；代價是這些檔案需要和程式碼一樣的審查紀律，否則會退化成失控的外部記憶。對評估 AI 系統的人來說，「記憶放在哪裡、由誰管」比「模型有多大」更能預測結果。

什麼會推翻這個判斷？我們列出三個可以驗證的條件。第一，如果模型內部的可解讀性大幅突破，讓人能直接讀取與編輯權重裡的記憶，那把記憶外部化的必要性就會下降。第二，如果外部記憶檔在規模放大後被證明難以維護，反而比重新訓練更貴、更亂，那「檔案優於更大模型」的說法就要收回。第三，如果檔案化的記憶在實務上普遍沒有被納入審查與權限管控，風險蓋過了好處，那我們對這個方向的正面評價也要保留。在這三件事發生之前，我們維持上面的判斷。

一個具體的觀察點：下一次評估一套 AI 系統時，先請對方把它的記憶打開給你看。打得開，而且是一份你讀得懂的檔案，是好訊號；打不開，只能說「它學過了」，就代表記憶還鎖在權重裡。