如何让AI助理真正拥有像人一样的长期记忆？不是那种聊完天就忘的傻白甜，而是能记住你讨厌什么、喜欢什么、正在忙什么、过去发生过什么的真记忆。
这套方法用了三个层级来存东西：
第一层是知识图谱，按照PARA方法把人和事分类存好，
第二层是每日笔记，记录每天聊了什么，
第三层是隐性知识，记住你的习惯和偏好。
最重要的是这套系统会自己判断哪些记忆重要该留着，哪些可以暂时放一边，还会自动从聊天记录里提取有用的信息存起来，配合一个叫QMD的搜索工具，让AI找东西又快又准。整套系统只用简单的markdown和JSON文件，不怕被任何平台绑架，换AI助理也能带走全部记忆。
为啥现在的AI助理都是金鱼脑
你有没有遇到过这种情况，跟一个AI聊得火热，它好像特别懂你，知道你最近在忙一个大项目，知道你老板叫啥名字，知道你喜欢用哪个软件写代码。结果第二天重新打开，它一脸懵逼问你"今天有什么可以帮您的"，你当场就想摔键盘。这就是现在大多数AI助理的真实写照，记忆跟金鱼一样，只有七秒，甚至更惨，每次对话都是全新的开始，之前聊的啥全忘光光。
这种体验简直让人抓狂。你得一遍又一遍地重复自我介绍，我是干啥的，我在做啥项目，我喜欢什么风格，我讨厌什么语气。有些平台号称有"记忆"功能，但你去看看那玩意儿，就是一堆乱七八糟的事实列表， flat得跟煎饼似的，没有结构，没有重点，没有时间概念，更没有那种"这事儿很重要我得记住，那事儿过去很久了可以淡忘"的智能。
如果你真的想搞一个私人AI助理，不是那种只会陪你聊天的玩具，而是真正能当你的参谋长、帮你打理生活的那种，你就必须给它设计一套真正的记忆架构。不是简单的 bullet list 清单，而是一个完整的系统，有分类、有层级、有更新机制、有遗忘策略。这篇文章介绍的就是这么一套三层的记忆系统，基于一个叫PARA的框架，加上了原子化事实、记忆衰减和自动提取的功能，听起来很学术，其实特别接地气。
三层记忆架构是个啥玩意儿
这套系统把记忆分成三个完全不同的层级，每一层都有自己的任务，就像你脑子里不同类型的记忆一样。
第一层叫知识图谱，存的是关于这个世界的事实性知识，用PARA的目录结构组织，每个实体都有JSON文件存细节，这层是持续更新的，新信息来了就往里面塞。
第二层叫每日笔记，就是按日期排列的原始时间线，每天一个markdown文件，记录当天发生了啥聊了些啥，这层是每次对话都要写的。
第三层叫隐性知识，存在单个markdown文件里，记录的是你的行为模式和偏好，这层更新很慢，只有发现新模式的时候才改动。
你可以把这想象成人的记忆系统：
知识图谱就像你的陈述性长期记忆，是你知道的事实，比如"巴黎是法国首都"或者"我老板叫张三"。
每日笔记就像你的情景Context记忆，是你记得什么时候发生了什么事，比如"上周三我跟客户吵了一架"。
隐性知识就像你的程序性记忆，是你不用想就能做的事，比如"我习惯早上先喝咖啡再工作"或者"我做决定前喜欢先列出所有选项"。
这三层合起来，AI助理才能真正了解你，不是只知道一些零散的事实，而是知道这些事实之间的关系，知道事情发生的时间顺序，知道你的行为规律。
第一层：知识图谱用PARA方法组织
整个系统的核心是一个目录树，用一种叫PARA的方法来组织。PARA是四个单词的首字母，Projects（项目）、Areas（领域）、Resources（资源）、Archives（归档）。你的生活里所有东西都能塞进这四个桶里，而且这些东西会随着时间自然流动，从一个桶跳到另一个桶。
你的目录结构大概长这样：
life文件夹下面有projects、areas、resources、archives四个子文件夹，每个实体文件夹里面有summary.md和items.json两个文件，根目录还有index.md和README.md做总览：
life/ |
Projects 是那些有明确目标和截止日期的活跃工作，比如你要发布一个新产品、要写一本书、要装修房子。这些东西有始有终，做完了就移到Archives里。
Areas 是那些没有结束日期的持续责任，比如你认识的人、你合作的公司、你担任的角色，这些东西会一直存在，不会"完成"。
Resources 是你感兴趣的话题和参考资料，你现在不主动做，但以后可能用得上，比如"机器学习入门"或者"日本旅游攻略"。
Archives 是前面三个桶里不再活跃的东西，项目做完了、某个话题不关注了，就扔到这里，但注意，不是删除，只是搬家，你随时能找回来。
PARA的美妙之处在于，你生活里的每个实体都恰好只属于其中一个桶，而且实体自然会在桶之间流动。
一个项目做完了从Projects移到Archives，一个新责任出现了从Resources变成Areas，这种流动性让系统有生命力，不是死板的分类。
两层检索让AI不变成话痨
每个实体都有两个文件，这不是为了复杂而复杂，是有策略的。summary.md是一个简洁的概述，AI第一次加载某个实体的信息时，先看这个，快速了解基本情况。items.json是一个数组，里面存着所有的原子化事实，只有对话需要细节的时候才加载这个。这种两层检索的设计超级重要，因为AI的上下文窗口是有限的，就像人的工作记忆一样，塞太多东西就爆了。
想象一下，如果每次提到你老板，AI都要把你老板的全部历史、所有细节、每次互动都加载进来，那上下文窗口马上就被占满，根本没法正常对话。但有了summary.md，AI只需要加载几段话就能知道你老板是谁、什么职位、你们什么关系，足够应付大多数对话。只有当你们深入讨论某个具体项目或者某次具体会议时，AI才会去items.json里找细节。这种设计让系统能 scale，能处理成千上万的事实而不变慢。
原子化事实的格式长啥样
items.json里的每个事实都遵循一个固定的格式，这样AI才能理解和处理。
{ |
一个事实大概长这样：
有个id标识，比如"entity-001"；有个fact字段存具体内容，比如"2025年3月加入公司担任CTO"；
有个category字段说明类型，可以是relationship（关系）、milestone（里程碑）、status（状态）、preference（偏好）或context（背景）；
有个timestamp记录时间；
有个source说明来源；
有个status字段标记是active（活跃）还是superseded（被取代）；
如果被淘汰了，supersededBy字段指向取代它的新事实；
relatedEntities字段列出相关的其他实体，这就是知识图谱的"图谱"部分，把不同实体连接起来；
最后还有lastAccessed和accessCount，用于记忆衰减。
这里面有几个特别重要的设计。
category字段帮助过滤和综合，AI可以根据类型快速找到需要的信息。status和supersededBy实现了"不删除"规则，事实永远不会被删掉，只会被新的取代，旧的保留历史记录。relatedEntities让这成为一个真正的图结构，而不是孤立的笔记集合。lastAccessed和accessCount用来实现记忆衰减，最近用过的东西记得更牢。
永远不删除只更新是核心哲学
这套系统有一条铁律：事实永不删除。当事情发生变化时，旧的事实被标记为superseded，新的事实被创建，supersededBy指针指向新事实。这样你就有了完整的历史链条，可以追溯一个关系是如何演变的，一个项目的范围是什么时候变化的，一个人是什么时候换工作的。
这种设计超级有价值。想象一下，如果你只是简单地更新"张三现在是产品经理"，那你就失去了"张三以前是工程师"的信息，也失去了"张三在2024年转行"的时间点。但在这种系统里，你可以看到完整的时间线：张三2020年加入是工程师，2024年晋升为高级工程师，2025年转岗产品经理。supersededBy指针让你能顺着时间线往前走，看到完整的演变过程。这对于理解复杂关系和做决策特别重要，因为很多事情的上下文就藏在历史里。
第二层：每日笔记是原始时间线
每日笔记这一层超级简单，就是按日期命名的markdown文件，存在memory文件夹里，比如2026-01-28.md、2026-01-29.md。这一层是原始时间线，记录"什么时候"发生了"什么"，不需要结构化，不需要分类，就是按时间顺序记录每次对话的内容。
memory/ |
AI在对话过程中会持续往每日笔记里写，这些东西是 messy 的、按时间顺序的、完整的。你可以把它想象成工作日志或者日记，不需要写得漂亮，只需要记录事实。比如"今天用户提到他正在准备产品发布会，压力很大，提到了三个主要风险点..."这样就行。
定期会有一个提取过程，从每日笔记里把持久的事实抽出来，写入知识图谱的相应实体里。但每日笔记本身保留作为source-of-truth时间线，即使提取过程漏了什么，原始记录还在这里。这层是系统的安全网，确保信息不会丢失。
第三层：隐性知识记录你的习惯
第三层是一个单独的文件，记录的不是关于世界的事实，而是关于你这个人如何运作的事实。这包括你的沟通偏好，比如你喜欢用什么工具、喜欢什么格式、喜欢详细还是简洁的回复。包括你的工作风格，比如你怎么头脑风暴、怎么做决定、怎么管理项目。包括你的工具偏好和工作流程。还包括你希望AI遵守的规则和边界。
这层变化很慢，不是每次对话都更新，而是当AI注意到一个新模式的时候才更新。比如你连续三次在AI给出长回复后说"能简短点吗"，AI就意识到你喜欢简洁，把这个模式写入隐性知识。这就像是那种"逐渐了解一个人"的过程，需要几个月的合作才能真正摸清楚。
这层特别重要，因为它让AI能预测你的需求。比如如果AI知道你习惯在早上处理邮件下午写代码，那早上给你发长报告，下午给你发代码建议，就会特别合你心意。这种"懂我"的感觉，就是来自隐性知识的积累。
记忆衰减让AI像人一样会遗忘
现在来到最有趣的部分。一个傻系统会把所有事实一视同仁，但人的记忆不是这样工作的，最近常用的信息更容易想起来，很久以前的、很少用的信息会慢慢淡出。这套系统通过recency weighting（新近度加权）来实现这种效果。
每次一个事实在对话中被用到，比如通过搜索找到、在回复中被引用，两件事情会发生：accessCount加一，lastAccessed设为今天。这就创造了一个使用信号，独立于事实创建的时间。一个五年前创建的事实，如果你每周都用，它的accessCount会很高，lastAccessed也会很新。
每周重写summary.md的时候，事实会被分成三个层级。Hot（过去7天访问过）的会 prominently 放在summary.md里，这是AI最先会想到的。Warm（8-30天访问过）的也会放在summary.md里，但优先级较低，可用但不是最优先想到的。Cold（30天以上没访问）的会从summary.md里完全去掉，但关键来了，它们不会被删除，还留在items.json里，随时可以通过搜索找到。如果访问了一个Cold的事实，它就"reheat"（重新加热）了，下次会变成Hot。
高accessCount的事实会抵抗衰减。如果你六个月来每周都引用某个事实，即使这几周没提到，它也不会马上变Cold，这防止了重要但间歇性使用的事实从雷达上消失。衰减模型故意设计得简单，没有指数曲线或可调参数，就是基于新近度的三个层级，用频率做调节器。简单系统更容易理解和调试。
自动提取：心跳机制让系统自己运转
这套系统不依赖用户手动分类和归档信息，而是用一个叫heartbeat（心跳）的定期后台任务。这个任务会扫描最近的对话，寻找新信息，提取持久的事实（关系、状态变化、里程碑、决策），把这些事实写入知识图谱的相应实体，更新每日笔记的时间线条目，增加被引用事实的访问元数据。
提取过程故意跳过闲聊、临时请求和已经捕获的信息，专注于真正重要的东西：人、公司、项目、偏好和决策。这不是无脑地把所有内容都存下来，而是有选择地提取有价值的信息。
对于实体创建，系统有简单的启发式规则：如果一个东西被提到3次以上，或者跟你直接相关，或者是你生活中的重要项目或公司，就创建一个实体文件夹。否则就留在每日笔记里。这防止知识图谱被一次性提及的东西填满，同时确保重要的实体得到适当跟踪。
每周还会进行一次synthesis（综合），从活跃事实重写summary.md，这就是应用记忆衰减的地方：加载所有活跃事实，按新近度层级排序（Hot → Warm → Cold），在每个层级内按accessCount降序排列，把Hot和Warm的事实写入summary.md，把Cold的从summary里去掉（但保留在items.json里）。结果就是summary.md总是反映你对一个实体的当前心智模型，而不是完整历史，完整历史存在items.json里以备需要时查阅。
为啥这套设计真能在实际中work
这套系统在实际使用中表现出几个特别有效的特性。首先是关注点分离，每层都有明确的任务，你不会得到一个试图成为一切的巨大文件。知识图谱处理"什么"，每日笔记处理"什么时候"，隐性知识处理"怎么做"，各司其职。
其次是优雅降级，如果心跳提取漏了什么，它还在每日笔记里。如果summary过时了，完整事实还在items.json里。总有后备方案，不会死机。第三是无信息丢失，结合不删除规则和归档系统，没有东西会真正消失，你总能追溯到什么时候学到了什么，以及它是如何演变的。
第四是上下文窗口效率，分层检索（先看summary，需要时再查facts）意味着AI不会为了加载所有知识而爆掉上下文窗口。大多数对话只需要summary就够了。最后是自然生命周期，实体从Projects流向Archives，事实从Hot流向Warm再流向Cold，系统会呼吸，不是单调增长的静态数据库。
搜索层QMD让找东西不再痛苦
知识库的好坏取决于你能在里面找到东西的能力。随着实体、每日笔记和事实的数量增长，简单的方法比如grep搜索文件、把所有东西加载到上下文里，都会失效。你需要一个真正的搜索层。
QMD是一个本地索引和检索工具， sitting 在纯文件知识库之上。它把markdown文件索引到SQLite数据库里，提供三种搜索模式。Full-text search（BM25）是经典的关键词匹配，带相关性排序，快速可预测，适合当你知道要找什么的时候。Vector similarity search（向量相似性搜索）把文档嵌入成chunks，按语义相似性搜索，适合当你不知道确切措辞但想找相关信息的时候。Combined query（组合查询）合并两种方法，带查询扩展和重排序，是大多数检索的默认选择。
QMD用collection（集合）来组织文件，直接对应三个记忆层。你可以用命令把life目录加为life集合，把memory目录加为memory集合，把clawd目录加为clawd集合。每个集合独立索引，用qmd update命令更新。AI可以跨所有集合搜索，也可以针对特定集合。
当AI需要回忆什么时，它不加载整个知识库，而是查询QMD。比如qmd search "Jane在Acme的角色" -c life做关键词搜索，qmd vsearch "那次关于定价策略的对话"做语义搜索，qmd query "项目范围什么时候变的"做组合搜索。QMD返回带文件路径和行号的排序片段，AI只加载相关部分，几段话而不是整个知识库。这让分层检索在大规模下变得实用：summary提供快速上下文，QMD提供精确查找。
索引需要保持新鲜，因为新事实和每日笔记在不断写入。一个命令就能重新索引所有内容：qmd update重新索引所有集合，qmd update --pull先git pull再索引（如果集合在repo里），qmd embed重建向量嵌入。这作为心跳过程的一部分运行，新事实提取和每日笔记更新后，索引刷新，下次搜索就反映最新状态。
想自己动手搞一套该怎么做
如果你想给自己的AI助理实现类似的东西，这里有个循序渐进的建议。先从目录结构开始，创建PARA文件夹和index.md，别想太多。然后挑一个活跃项目和一个重要的人，创建他们的summary.md和items.json，先在两个实体上把格式搞对，再考虑扩展。
加上每日笔记，开始写带日期的markdown文件，不需要写得漂亮。自动化提取可以后面再加，第一周先手动做，建立对什么算"持久事实"的直觉，然后再建心跳机制。衰减机制最后加，直到你有足够多的事实让summary感觉臃肿，这需要几个月时间。
整套系统故意设计得低技术，markdown文件和JSON，备份到私有git repo。
没有数据库，没有特殊工具，没有厂商锁定。你的AI助理读写纯文件，如果你明天换助理，记忆可以跟着走。