以前我使用 AI，最累的事情之一，是反复介绍自己的工作。
一个对话聊了很久，AI 终于理解了项目背景、我的要求和前面做过的选择。换一个对话，很多事情又要重新讲。
于是我养成了一种习惯：聊完一个阶段，让 AI 总结；再把这份总结复制到下一个会话里。换一个工具，再搬一次。
那时候，我其实在亲自做一件事：给不同的 AI 传递工作记忆。
今天想分享的，就是我怎样从这一步，走到搭建一套可以让多个 AI 共同使用的记忆系统。
1. 只有网页聊天时，我是 AI 之间的“交接人”
最早主要使用 DeepSeek 网页版的时候，我还没有现在这样的智能体工作台。
任务在对话里推进，背景也留在对话里。我得记住哪段讨论放在哪里，再决定给下一个 AI 带过去什么。
聊天记录可能还在，但新会话并不会天然继承我希望它掌握的全部背景。对我来说，关闭一个窗口，就很容易失去工作的连续性。
比如，一个项目已经确定了目标客户、表达风格和不该再重复的错误。换一个会话后，如果只说“继续帮我做”，它可能根本不知道要接着哪一步做。
我逐渐发现，使用 AI 的成本里，有相当一部分是交接成本：重新找资料、重新讲背景、重新确认边界。
我希望积累下来的工作，能让下一次协作更容易开始。
2. 深入研究 OpenClaw 后，我开始理解智能体怎样工作
今年年初，OpenClaw 受到关注的时候，我在家花了七天深度研究。
那段时间最大的收获，是开始理解：一个能持续做事的 AI，除了大模型，还需要工作环境、工具、规则、状态和记忆。
可以把工作过程理解成：接到任务，读取必要背景，制定步骤，调用工具，观察结果，再决定下一步。
模型负责推理与表达；运行框架负责把工具调用真正执行出来；文件、会话记录和外部存储负责留下可再次读取的信息。
我当时觉得很有意思的“三省六部”
社区里有人借用“三省六部”来组织多个智能体。以 Edict 这样的社区项目为例，可以把它理解成三个主要环节：中书省拟方案，门下省审方案，尚书省协调执行，再交给不同专业角色完成工作。项目说明
如果用来做一次活动策划，就是有人负责拆需求，有人检查预算和风险，再有人分别做内容、数据和执行。
这里有启发的部分，是把规划、审查、执行分开，让意见能够被检查、任务能够被交接。它是社区的组织设计，不是 OpenClaw 必须采用的官方工作方式。
现在我的看法也更务实：简单任务直接做，复杂任务再分工。角色数量本身不代表工作质量，每多一次交接，都要承担信息损失和沟通成本。
那些配置文件，到底在告诉 AI 什么
当时看各种教程，常常会遇到一堆 Markdown 文件。把它们放回工作场景，就容易理解了：
| 文件或位置 | 可以怎样理解 |
|---|---|
AGENTS.md |
工作说明：遵守什么规则，怎样开展任务 |
SOUL.md |
表达风格、行为原则和边界 |
USER.md |
关于用户的稳定偏好、背景与工作要求 |
IDENTITY.md |
智能体的名字和身份设定 |
memory/YYYY-MM-DD.md |
当天发生了什么、做过什么决定 |
MEMORY.md |
从记录中整理出的长期事实和重要决定 |
skills/、SKILL.md |
一类任务应该怎样完成，以及所需的辅助材料 |
旧教程还常见 TOOLS.md、HEARTBEAT.md。截至本稿核验，OpenClaw 当前文档已把它们列为退休文件；本地工具约定转到 AGENTS.md 的 Tools 部分等现行入口。具体配置要跟实际版本走。尤其要记住：写下一句“可以使用某工具”，并不会自动安装工具或授予权限。工作区说明
我怎样理解“三层记忆”
为了讲清楚，我会把智能体记忆分成三层。这是工作上的讲解模型，并非统一的官方分层：
- 眼前的工作记忆：这次任务做到哪一步，还在等什么。
- 长期事实与知识：用户偏好、项目背景、资料和已经确认的决定。
- 做事的方法与经验：什么做法有效、什么条件下会失败，以及可复用的 Skill。
配置记忆时，重要的是约定清楚：哪些信息值得留下，存在哪里，什么时候检索，发现旧信息错误时怎样修正。只把所有聊天堆进一个文件，仍然会遇到难找、过期和相互冲突的问题。
落到 OpenClaw 的配置，我会按四步做：先确认当前 Agent 实际使用的工作区；把记忆读写规则放进 AGENTS.md，把稳定信息与逐日记录分别整理；需要语义检索时，再配置受支持的 Embedding 服务或本地模型；最后在旧会话留下已确认的信息，换新会话换一种问法检索，检查能否找对并读回原文。写了记忆文件、索引完成、召回准确，是三个要分别验证的状态。官方记忆说明
3. 从向量检索，到《智能简史》给我的启发
通过 OpenClaw，我开始接触向量检索。
它可以把文字映射成一组数字，让系统根据语义接近程度寻找内容。
比如，我以前记录的是“别把透明底商品图生成白色背景”，后来问“这个素材的底图要求是什么”，即使说法不同，也有机会找到那段记录。实际系统通常还要结合关键词、项目范围和相关性检查。
这里有一个我踩过的坑：主题接近，并不代表能回答问题。
问“个人技能存在哪里”，系统找回一段“服务器怎样恢复”的经验，两段都提到同一个产品，答案依然可能不对。向量检索负责帮我们找到候选内容，最终还要检查候选内容有没有支持答案的证据。
后来读麦克斯·班尼特的《智能简史：进化、AI与人脑的突破》，我开始从另一个角度看这件事。书中以几次重要的进化突破，串起智能能力的发展，并讨论这些发展对 AI 的启发。出版社介绍
它让我更关注：智能需要怎样利用过去的经验，才能做出更好的下一步选择。
不过，不能因此说“现在的 AI 已经在完整复刻人脑”。人工神经网络借鉴了生物神经系统的一些思想，却是高度抽象的计算模型；人的神经元、身体、感知与学习过程远比这个类比复杂。诺贝尔奖科普说明
时间尺度也要讲准确：智人大约出现于三十万年前，人类大脑的发展还有更久远的演化背景；人工智能作为研究领域通常追溯到 1956 年，至今约七十年，不能笼统说只有十几年。史密森尼人类起源资料；达特茅斯 AI 历史
对我最有用的启发是：想让 AI 长期参与工作，就要认真设计它怎样记录、检索、纠错和复用经验。
我们给 AI 接一个外部记忆库，通常也没有修改模型本身的参数，而是在下一次工作时，把相关资料重新提供给它。
4. 让多个AI共用一套记忆
我后来尝试用飞书知识库管理资料和 AI 工作记录，也用过 Obsidian。
飞书适合在线协作；Obsidian 把笔记存为本地 Markdown 文件，也支持同步和扩展。它们都有自己的长处。Obsidian 存储说明
随着使用加深，我的需求也变了：除了方便自己整理，还希望不同 AI 工具能够读取同一份知识，留下工作记录，并在下一次任务里找回相关内容。
这涉及资料接入、身份权限、检索、回写和维护。我当时想找的，是能把这些环节组织起来的基础设施。
后来，我找到了 OpenViking。
它是火山引擎团队开源的、面向 AI 智能体的上下文数据库，把资料、记忆和技能组织进统一的虚拟文件系统，通过 viking:// 这样的地址访问。项目主页
我会用下面这张示意图讲解它的能力：
（能力关系见本章配图；这是讲解示意，不是内部系统拓扑。）
其中有三个概念很重要：知识库保存参考材料，记忆库保存与工作有关的事实和经验，Skill 保存可重复使用的做事方法。三者能配合，但不必混成一份超长提示词。官方介绍
OpenViking 还有 L0、L1、L2 的分层读取：先看简短摘要，再看概览，需要时才读正文。像查一本书时先看目录和简介，再翻到相关章节。这里的摘要、概览主要是目录级材料，并不保证每个文件都有固定的三份副本。分层说明
这套 L0/L1/L2，与前面为讲解划分的“三层记忆”是两件事，不能混用。
换工具、换模型、换电脑，工作能不能接着做
这是我特别看重的地方。
我希望，上午在一台电脑上和一个 AI 确认了项目要求，下午换电脑、换模型或换工作台时，新的 AI 能找到这些要求，不用再从头交代。
实现的关键，是让获得授权的工具连接同一个记忆服务，并使用正确的用户身份和项目范围。
OpenViking 为 Codex、OpenClaw、DeepSeek Harness 等提供不同集成，也有 MCP 接口；不同接入方式的自动召回、捕获和提交能力并不完全一样。官方集成说明
所以，“安装 MCP 后就自动继承全部能力”需要拆开看：
- 连接成功：新工具能够访问这个服务。
- 找到记忆：能够搜索并读回需要的历史内容。
- 自动参与工作：在合适时机召回背景，并按策略记录新过程。
- 执行 Skill：除了读到方法，还要有对应工具、运行环境和权限。
举个例子，新的 AI 读到了“如何发布文章”的 Skill，并不意味着它立刻拥有公众号发布权限。资料和方法可以共享，执行条件还要逐项满足。Skill 执行边界
同样，跨网络也有前提：网络可达、身份有效、服务正常。跨项目共享更要有范围，个人偏好可以复用，某个客户的私有资料就不能随意带到另一个项目里。
我期待的使用体验，是更换工具时能较快接上工作；真正要验收的，是同一份已确认信息，能否在另一个会话里被准确找到和正确使用。
5. 让笔记和Skill进入下一次工作
以前我也用过印象笔记、语雀这样的工具。
我的实际感受是：整理笔记时很认真，真正做事时却未必记得回去翻。资料保存了很多，使用时还是凭印象重找一遍。
这并不是对所有人的判断，但它确实是我想解决的问题。
语雀创始人玉伯后来做 YouMind。在一篇公开访谈中，他谈到产品应该帮助用户从收藏资料走向创作，也谈到希望工具更理解用户保存的材料、帮助推动下一步行动。这与我的体会很接近。这里是对访谈方向的转述，不把“笔记没人回看”当成他的原话。访谈原文
对我来说，接下来值得建设的能力，是让 AI 在合适的任务中，主动找回合适的旧资料。
写一个方案时，找出上次已经确认的客户要求；处理一个故障时，提醒我以前验证过的处理方法；重复一个项目时，把上一轮失败的条件带出来。
这让知识积累有机会进入一个循环：
工作留下记录，记录提炼成事实和经验，经验在下一次任务中被调用，再用新的结果修正旧方法。
企业也一样。人员交接、项目复盘、客服处理、运营实验，都有大量可以继续利用的经验。要让它们成为组织资产，还需要明确谁能读取、谁来确认、哪些信息过期，以及哪里保存原始证据。
现在做这件事的也不只有 OpenViking。ChatGPT 有产品内记忆，AWS 有 AgentCore Memory，Google 的 Agent Platform 也提供 Memory Bank。它们的定位和开放方式不同，但都在处理跨会话积累与上下文延续的问题，不能简单当成同一种产品。OpenAI 记忆说明；AWS 文档；Google 文档
我希望 Skill 简单，而且能改得动
说到 Skill，我现在越来越倾向于结构简单、用途明确、能够验证和迭代。
一份方法说明，我更希望它讲清楚五件事：什么时候用，需要什么材料，主要步骤是什么，怎样判断成功，遇到什么情况应该停下来。
拿“竞品分析”举例，真正有用的方法应该提醒我：明确市场和产品范围，核实数据来源，区分销量事实和估算，最后输出可以支持决策的结论。它不需要为了显得专业，先安排一大堆角色互相开会。
不懂代码的人，也可以先把自己平时怎样做事讲出来，让 AI 帮忙整理成 Skill 初稿。复杂脚本和系统接入可能仍需要技术支持，但方法本身应该让使用者看得懂。
每次任务结束，再问几个具体问题：哪里重复劳动了？哪个步骤缺材料？哪句话导致误解？这次结果支持修改哪条规则？
AI 可以协助提炼经验、提出修订建议，并在授权后生成新版本。但“工具自动记录了经验”，不等于“Skill 已经自动改对”。OpenViking 的经验轨迹也只表明读取与后续轨迹存在关联，不能单凭次数证明它造成了成功。经验追踪说明
我更希望形成的，是一套每次做完都能复盘、改后有样例验证、出问题能回退的方法。
6. Token花得值，比花得少更重要
我的态度可能和一些人不同：我不会把少用 Token 本身当作目标。
如果多花一些 Token，能核对重要事实、减少返工、提高交付质量，最后赚回来，我认为这笔消耗有价值。
这里的“赚回来”，可以是收入，也可以是省下的工作时间、更少的错误，或者以后能够重复使用的一份成果。
但这并不意味着调用越多越好。反复检索无关内容、把整段历史塞给每个模型、没有结果地循环重试，花掉的钱很难变成积累。
我愿意为有效的核验、推理和复盘付费，也希望那些反复消耗却不产生价值的步骤，能被逐步改掉。
所以，我看待记忆系统的价值，也不会只看今天省了多少 Token。我更关心：做过的工作，有多少留了下来，又有多少在下一次真正派上了用场。
过去，换一个 AI，我经常要重新介绍一遍自己。现在我希望，工具可以继续换，工作的积累能够接着走。
创作说明：本文基于前程的实际使用经历整理，AI参与资料核验与文字编辑；插图由AI生成，均为讲解示意。产品能力以实际版本、权限与接入方式为准。