很多人一談 AI agent 記憶，第一個問題就是：要不要接向量庫？

這個問題太早了。

向量庫只是儲存與檢索方式，不是記憶策略。真正該先問的是：這個 agent 到底需要記住什麼？哪些記憶能讓它下次做得更好？哪些記憶其實只是噪音？哪些內容一旦記錯，會讓成本、風險或信任感一起爆掉？

如果這些問題沒先拆清楚，agent memory 很容易從加速器變成垃圾堆。

English TL;DR

Before adding a vector database to an AI agent, define what memory means. Separate preferences, facts, workflows, decisions, and logs. Small teams should start with explicit, editable memory before building opaque long-term retrieval.

FAQ 1：AI agent 一定需要長期記憶嗎？

不一定。

如果任務是單次生成、固定格式摘要、短時間內的資料整理，通常不需要長期記憶。把 prompt、輸入格式和檢查清單做好，效果可能比接 memory layer 更穩。

長期記憶適合的是重複性高、上下文會累積、每次重講很浪費的流程。

例如內容產線裡，agent 應該記得網站定位、讀者輪廓、文章風格、不要再犯的錯、哪些題型最近過量、哪些主題和被動收入北極星有關。這些不是每次任務都該重新塞進 prompt 的東西。

但如果 agent 只是偶爾幫你改一段文案，長期記憶反而可能讓系統變複雜。

FAQ 2：什麼東西值得被記住？

可以先分成五類。

第一類是偏好。像是語氣、格式、用字、不要用太多條列、中文為主。這類記憶很適合長期保存，因為它會反覆影響輸出品質。

第二類是穩定事實。像是品牌名稱、產品定位、主要受眾、固定 repo 路徑、內容站網址。這類記憶要可更新，因為錯了會讓 agent 一直沿用錯誤前提。

第三類是流程。像是 Hugo 文章只能新增 content/posts/*.md、發布前要跑 hugo --minify、有髒檔時要用乾淨 worktree。這類記憶最有槓桿，因為它能減少未來重複交代與操作失誤。

第四類是決策。像是內容產線不能只補工具文、導流文要接 FAQ 與場景解法、文章目的要連到信任與轉換。這類記憶可以讓 agent 下次不只執行，還會主動修正方向。

第五類是紀錄。像是今天發了哪些文章、哪個排程失敗、哪次 build 沒過。這類通常適合放在日誌，不一定要全部進長期記憶。

FAQ 3：為什麼不要把聊天紀錄全丟進向量庫？

因為聊天紀錄不是乾淨的知識庫。

裡面有臨時想法、過期資訊、情緒、錯誤假設、半途改變的方向，也可能有不該長期保存的敏感內容。全部丟進向量庫，短期看起來省事，長期會製造三個問題。

第一，檢索會變髒。agent 可能拿到過期決策，卻把它當成最新規則。

第二，修正很困難。當你發現某段記憶錯了，未必知道它藏在哪個 chunk 裡。

第三，信任會下降。使用者會開始懷疑 agent 為什麼突然引用某個舊脈絡，卻又說不清來源。

比較好的做法，是把聊天紀錄當原料，而不是直接當記憶。

先從對話中萃取出可命名、可編輯、可刪除的記憶，再決定要放進文件、資料庫、設定檔或向量檢索。

FAQ 4：小團隊第一版 agent memory 該怎麼做？

第一版不用追求聰明，先追求可控。

可以從三個檔案開始。

一個是長期記憶，記錄穩定偏好、核心目標、重要決策與固定流程。

一個是每日紀錄，存放最近發生的事、任務結果、錯誤與待觀察事項。

一個是任務狀態，讓 agent 知道哪些檢查剛跑過、哪些排程最近失敗、哪些事項下次要接續。

這種設計很樸素，但有兩個優點。

它可以被人看懂，也可以被人修正。對早期團隊來說，這比「看起來很 AI」更重要。

等到記憶量真的變大，再考慮搜尋索引、向量庫、權限分層與自動萃取。順序反過來，通常是在替還不存在的問題買複雜度。

FAQ 5：什麼時候才需要向量庫？

當你的記憶開始有大量非結構化內容，而且精確關鍵字不夠用時，向量庫才比較有價值。

例如大量客服案例、產品文件、研究筆記、會議摘要、技術決策紀錄。這些資料可能無法只靠標題或 tag 找到，需要語意檢索。

但就算用了向量庫，也應該保留幾個規則。

重要規則要有明確來源，不要只靠相似度找回來。

高風險動作要有人審核，不要因為檢索到一段舊資料就自動執行。

記憶要有更新與刪除路徑，不要讓錯誤永遠活在系統裡。

向量庫可以幫 agent 找資料，但不能替團隊決定什麼值得被信任。

FAQ 6：這和內容產線有什麼關係？

內容產線其實是 agent memory 最適合先落地的場景之一。

因為它高頻、可審核、風險相對低，而且記憶真的會改善結果。

如果 agent 記得最近文章太偏工具解析，它就能主動補 FAQ、觀點、選型比較或場景解法。如果它記得北極星是每月 60,000 以上的被動收入加上生活品質，它就不會只追發文數，而會檢查文章是否建立流量、信任與轉換路徑。

這就是有用記憶和炫技記憶的差別。

有用記憶會讓下一次產出更接近目標。

炫技記憶只會讓系統看起來更複雜。

先做記憶規則，再做記憶系統

小團隊導入 AI agent memory，最穩的路徑不是先選 database，而是先定義記憶規則。

哪些偏好要長期保存？

哪些事實需要來源？

哪些決策會影響未來任務？

哪些紀錄只保留幾天？

哪些資料不能被記住？

這些問題回答完，技術選型會簡單很多。

如果內容站要成為可持續的 AI 資產，文章也應該用同一套邏輯：不要只堆資訊，要累積可重用的判斷。

agent 記憶如此，內容產線也是。