转载（grok写的概述）： 即使有更强的 AI 模型（如刚冒头的 Fable 5），糟糕的记忆系统（Memory）依然会拖后腿。更好的模型只会让记忆问题更明显。1 主要观点： • Fable 5 在编码、Agent、长流程、第二大脑、研究助手、公司运营等方面被广泛测试，但它每次任务从零开始，就像一个聪明但有健忘症的实习生。 • 它需要知道：你的项目背景、失败记录、风格偏好、关键文件、决策历史、信任来源、当前状态等。 • AI 记忆（Memory）正在成为热门话题，因为模型越强，记忆弱点越痛。 作者推荐的 4 种记忆层（各有用途，不要混用）： 1 Obsidian + Fable 5：长期个人记忆（Long-Term Human Memory） ◦ 适合存放你想自己阅读、编辑、连接的想法和知识。 ◦ 核心是纯 Markdown 文件，可人工维护。 ◦ 关键技巧：建立 _index 文件夹 作为导航地图，让 AI 知道怎么找东西；笔记要为“未来的 Fable 5”而写（清晰、结构化）。 ◦ 优势：人类可读、可修正；弱点：容易变成杂乱抽屉。 2 Hermes + Fable 5：活跃项目记忆（Active Project Memory） ◦ 记录“当前正在发生什么”（执行状态）。 ◦ 适合编码、写作、Agent 运行等跨会话工作，避免重复错误或使用过时上下文。 ◦ 关键规则：只让 AI 基于当前活跃状态行动，历史仅作参考；定期清理/归档旧内容。 ◦ 优势：保持连续性；弱点：容易污染（旧想法混进来）。 3 RAG + Fable 5：检索记忆（Retrieval Memory） ◦ 用于从海量文档、PDF、代码库、论文中快速拉取相关证据。 ◦ 不是万能记忆，而是“搜索工具”。 ◦ 技巧：按主题/任务拆分 RAG（不要一个大桶）；重视元数据（新鲜度、信任度）。 ◦ 弱点：检索错内容时，模型会自信地输出垃圾。 4 LLM Wiki + Fable 5：规范/权威记忆（Canonical AI Memory） ◦ 存放“AI 应该视为真理”的规则、风格指南、架构决策、失败案例等。 ◦ 比普通 Wiki 更结构化、严格，专为模型设计。 ◦ 包含正面例子 + 负面例子（避免重复犯错）。 ◦ 适合写作系统、编码规范、Agent 行为等需要一致性的场景。 总结建议： • 不要问“用哪一种最好”，而是问“这个任务需要哪种记忆？” • 好的工作流是按任务路由不同记忆层，而不是把所有东西一股脑塞给模型（会产生噪声）。 • 更强的模型（如 Fable 5）放大了良好记忆架构的价值，也放大了糟糕记忆的代价。 AI 的真正瓶颈不是推理能力，而是记忆与上下文管理。 原文链接放在下面了。需要🪜