Memory: 让正确的过去，在正确的时候，以正确的作用域，正确的方式重新出现。
记忆功能常被产品宣传为“越用越懂你”。更准确地说，它解决的是重复交代背景的问题：用户长期使用某个 AI 产品后，一些背景和历史不希望反复交代。模型本身没有长期记忆，产品要做的是从历史交互中提取少量可信信息，用于理解用户和延续任务。
和记忆相关的内容有三类：
- 聊天历史（事情发生过，但不一定该影响未来，可作为 RAG 检索源）
- 当前工作空间的工作记忆（项目进度）
- 长期记忆 Memory（在用户发当前任务之前，默认就能代入上下文、影响结果走向的内容）
关键在于：Memory 系统要做一次准入判断——哪些历史信息可以继续影响未来要做的任务。
| 信息类型 | 存的是什么 | 在系统中的作用 | 例子 |
|---|---|---|---|
| 稳定事实 | 去情境化的稳定事实、长期偏好、已确认的默认假设 | 作为长期推理前提，减少重复获取用户基础信息 | 用户所在城市、常用工作语言 |
| 用户知识背景 | 用户的专业背景、知识水平和熟悉领域 | 调节解释深度和术语密度，不改变事实结论 | 用户熟悉 Context Engineering |
| 行为信号 | 从多次真实交互观察到的稳定使用模式 | 作为交互策略的调节信号 | 回答前先查看当前工作空间 |
| 表达偏好 | 用户对表达方式的稳定偏好 | 控制"怎么说"，不影响"事实是什么" | 先给结论、减少空话 |
| 会话延续信息 | 当前会话中仍有价值的目标、决策、进度、未完成项 | 帮助延续讨论和任务 | 已完成什么、下一步做什么 |
左右滑动查看完整表格
以上五类记忆都属于陈述性记忆（declarative memory），记录的是“用户是谁、了解什么、发生过什么”，也就是用户特征、知识背景和历史交互。它们提供的是推理前提，不直接规定 Agent 该怎么做事。WorkBuddy 没有把 Procedural Memory（程序性记忆）纳入长期记忆，是因为程序性记忆记录的是“做事方法”，这类内容一旦作为长期记忆注入，会直接影响 Agent 的推理路径和执行顺序。
例如“用户熟悉 Python”是陈述性信息；“遇到所有调试任务，都先重启服务再查日志”是程序性策略。后者注入上下文后会带来几个问题：
- 局部经验被误升为通用策略：一次任务里有效的步骤，换个项目未必成立；
- 干扰模型推理：模型可能不再根据当前证据选路径，而是复用历史步骤，陷入局部最优；
- 隐性改写 Agent 行为：程序性内容实际上接近动态 System Prompt，却可能缺少版本、评测、审批和回滚；
- 降低泛化与可控性：如果 Agent 从每次任务自动学工作流，又没有稳定的奖励信号和 Eval，系统很难判断它是在改进还是在积累偏见。
Memory 系统按稳定事实、用户知识背景、行为信号、表达偏好和会话延续信息分层存储，仅陈述性记忆进入长期记忆。程序性记忆（做事方法）不纳入长期记忆，以免局部经验被误升为通用策略；验证过的工作方法以 Skill 形式版本化、可评审、可回滚。