关于”AI 有没有记忆”
这个问题的答案取决于你在问哪一层。
基础模型层：没有记忆。 模型本身在每次推理时只能看到当前上下文窗口里的内容。窗口之外的一切，对它来说不存在。这是模型的架构特性，不会因为产品功能而改变。
产品层：可以有记忆。 很多 AI 产品在模型之上构建了记忆系统——ChatGPT 的 Memory 功能、Claude Code 的 /memory/ 目录、各类 RAG 系统。这些系统的本质是：在新会话开始时，把历史信息注入上下文窗口，让模型”看到”它。
关键洞察：记忆系统不改变模型的工作方式，它改变的是进入上下文窗口的内容。
但产品层记忆有两个结构性限制：
- 范围限制：窗口有限，旧记忆会被挤出，模型”忘记”的方式只是不再注入
- 共享限制：记忆通常绑定个人账号，团队成员各自维护各自的记忆孤岛，无法复用
这解释了为什么团队协作场景中，把上下文写进仓库文件（CLAUDE.md、规范文档）比依赖产品记忆更可靠——文件是共享的、版本化的、对所有人一致的。
所以无论有没有记忆层，核心机制不变：AI 的行为边界，由进入上下文窗口的内容决定。
上下文的三类内容
| 类型 | 作用 | 缺失时的后果 |
|---|---|---|
| 任务定义 | 告诉 AI 要做什么 | AI 猜测意图，生成偏离目标的输出 |
| 约束条件 | 告诉 AI 不能做什么 | AI 填补空白，做出你没有预期的选择 |
| 领域知识 | 告诉 AI 这个项目/系统的规则 | AI 使用通用假设，忽略项目特有规则 |
三类内容缺一，AI 都会做出某种假设来填补。问题不在于 AI”猜错了”，而在于你不知道它在猜。
为什么上下文是约束，而不只是信息
传统上我们把上下文理解为”给 AI 看的背景资料”。这个理解是不完整的。
更准确的理解：上下文划定了 AI 能做出合理决策的边界。
- 上下文足够 → AI 在边界内工作，输出可预期
- 上下文不足 → AI 超出边界工作，输出取决于模型的训练偏差
这是为什么同一个提示在有无 CLAUDE.md 的仓库里会产生不同质量的输出——不是模型变了，是约束边界变了。
上下文失效的三种模式
1. 上下文缺失
没有提供关键约束，AI 使用默认假设。最常见，也最容易预防。
2. 上下文过载
信息太多，关键约束被淹没。模型倾向于关注最近的内容，早期提供的约束可能被忽略。
可操作的识别信号：
– AI 的输出不再引用项目特有的术语或约定，变得”适用于任何项目”
– AI 忽略了你在早期明确设定的约束，且没有说明原因
– AI 的回答开始与它几轮前的答案矛盾
– 你需要反复提醒同一条约束才能让它生效
出现以上任意一个信号，应当主动重申关键约束，或开启新会话并重新注入。
3. 上下文漂移
长会话中，早期建立的约束在多轮对话后悄悄失效。AI 的输出看起来合理，但不再遵守最初的边界。
实践含义
对提示的影响： 约束条件和任务描述同等重要。不要只描述”要做什么”，要明确”不能做什么”。
对工具配置的影响： CLAUDE.md、系统提示、规范文档不是可选的装饰，它们是约束层。上下文管理的操作细节见 07-tooling/ai-context-in-project.md。
对长会话的影响： 超过一定轮次后，需要主动确认关键约束仍然有效，或重新注入。不要假设 AI 记住了你在五轮之前说的事。
判断标准
一个上下文是否足够，不取决于字数，而取决于：
AI 是否有足够的信息，在你不干预的情况下做出你认可的决策？
如果答案是”不确定”，上下文就还不够。