AI 为什么会忘记昨天 — 会话的遗忘与上下文成本 (1)

昨天费了好大劲讲解、好不容易磨合好的 AI， 今天再打开时，却是一副什么都不知道的样子。

如果你每次都在从头解释

认真用 AI 干过活的人，很快会撞上同一堵墙。昨天讲解了项目背景，告诉它数据在哪儿，把过去的决定捋了一遍，才终于得到像样的回答。可今天再打开，那个 AI 对昨天的事一点都不记得了。

• 项目背景每次会话都要重新解释。
• 上周花了半天才查明的原因，这周又要从头调查一遍。
• 分析结果散落在终端滚动条的某处，做决定的理由只留在脑子里。
• 和 AI 一起做的事，没能传递给团队。

因为会话结束的那一刻，这次会话里知道的东西就整个消失了。

这不是故障，而是原理

要是把它误当成 bug，应对方向就错了。对话型 AI 只在一次会话的 上下文窗口（context window） 里记住对话。会话一结束，这个窗口就被清空，下一次会话从一张白纸开始。Anthropic 的 Claude Code 官方文档也把这一点钉死了：每次会话都在新的上下文窗口里开始。

正因如此，业界一直在想办法弥补这种遗忘。通过检索把外部知识拉进来作答的检索增强生成（RAG）在 2020 年的论文里确立；OpenAI 在 2024 年 2 月给 ChatGPT 加上了记忆功能；Anthropic 也在 2025 年 10 月为 Claude 加入了跨对话的记忆。它们无一例外都是 让会话结束后也不至于忘记的装置。反过来说，什么装置都不加、以默认状态使用的 AI，就是记不住昨天。

遗忘不是免费的

这种遗忘是有代价的。先看人这一侧的研究。

• 知识工作者把大约 19% 的工作时间花在查找和收集信息上（麦肯锡全球研究院，The Social Economy，2012）。
• 知识没能及时共享造成的损失，以一家大企业为准每年高达 4700 万美元，折合每名员工每周 5.3 小时（Panopto·YouGov 调查，2018）。
• 还有研究指出，被打断一次后要重新回到原来的工作，平均需要 约 25 分钟（Mark, González & Harris, CHI 2005）。

和 AI 一起工作时，每次会话重新说明背景的时间，会原封不动地叠加在这份上下文成本之上。何况现在用 AI 的人正在急剧增加。国内工薪族的生成式 AI 使用率，据调查为 中小企业 52.7%、大企业 66.5%（大韩商工会议所，2026），全民生成式 AI 体验率也已攀升至 44.5%（科技信息通信部，2025）。用的人越多，遗忘造成的浪费也随之越大。

反转思路 — AI 记不住，但能读

解法不是指望 AI 拥有更好的记忆力，而是 把内容留在它能读取的地方、以它读得懂的形式。规则写进规则文件，教训写进记忆，今天做的事写进笔记，团队该知道的结论写进 wiki。这样一来，每次会话就不再是白纸，而是从 上一次会话的末尾 重新出发。

关键不在工具，而在三个习惯。

• 规则集中一处 — 把「始终照这样工作」汇总到一个文件，让 AI 启动时自己去读。
• 每次收尾都记录 — 每完成一件事，就留下原因、处置、数据、决定。
• 启动时先读 — 一句「接着做某某」，就让它从过去的记录里只挑出需要的部分来读。

这套做法在没有专职人员也能运营 AI 时尤其见效，因为哪怕没人一直盯着，上下文也不会流失。

后续内容

从下一篇起，我们会结合国内外案例，把这些习惯一个一个拆开来看。先从把规则集中到一个文件的方法讲起。同一个话题，还有另一个连载跟着实务者的一天、更像讲故事那样娓娓道来，也可一看。

如果你需要更深入的应用案例，或是为团队量身定制的快速上手指南，欢迎通过联系我们随时来聊。我们会结合你实际的落地环境帮你梳理清楚。

---

「把 AI 当作会记忆的同事」系列

1. AI 为什么会忘记昨天 — 会话的遗忘与上下文成本（本篇）
2. 规则集中一处 — AI 规则文件怎么写
3. 一个文件一个事实 — 自动记忆
4. 写给下一次会话的自己 — 每日笔记与交接
5. 升格为团队的语言 — 追踪器·wiki·Git
6. 陷阱与四周落地路线图