最近听到一个关于 Agent 架构的观点，我觉得特别有启发：模型、软件和硬件都可以替换，但一个系统长期积累下来的记忆、规则和判断，应该一直保留下来。 这个思… · @UPing123zzz · TwKit

@UPing123zzz

最近听到一个关于 Agent 架构的观点，我觉得特别有启发：模型、软件和硬件都可以替换，但一个系统长期积累下来的记忆、规则和判断，应该一直保留下来。 这个思路让我重新思考了自己使用 ChatGPT、Codex 和 Obsidian 的方式。 我们现在很多人用 AI，其实是没有真正积累的。今天和 ChatGPT 讨论一个技术问题，解决了，聊天记录就放在那里。明天用 Codex 开发一个项目，调试了几十轮，最后运行成功了，经验又留在 Codex 的会话里面。过几天换个模型、换台电脑，甚至只是开启一个新会话，之前大量的上下文就很难再完整利用。 最难受的是，你明明已经在某个问题上踩过一次坑，但下一次遇到相似问题，还是有可能从头再踩一遍。 我自己做 AI 项目时就越来越能感受到这个问题。比如 GEO 知识库怎么组织，RAG 检索哪里容易出错，数字人 API 调用有哪些限制，字幕和视频包装到底在哪个环节出问题。这些东西如果只存在于聊天记录里，它们其实很难真正变成可以复用的能力。 所以我最近一直在想，Obsidian 这种本地知识库，不能只是拿来存笔记。我希望它能成为自己长期积累技术经验、项目决策和工作记录的地方。 但更深一层的问题是，光把所有聊天记录导出成 Markdown，也不等于拥有了第二大脑。因为聊天记录里有错误、有猜测、有废话，也有很多最终被推翻的方案。 真正值得保存的，是某个问题为什么发生，最后怎么定位，什么方案被验证有效，当时做这个技术选择的原因是什么，以及下一次遇到类似问题应该如何处理。 如果这些东西能被整理成规则、测试用例、Skill 和可检索的知识，那么以后无论换成什么模型，都可以继续使用。 我觉得这才是 AI 时代特别值得重视的一种积累方式。 现在大家都在追模型能力，今天这个模型第一，明天那个模型又刷新榜单。但如果你的全部生产力都依赖某一个平台的聊天记录，那工具一换，过去积累的经验就可能很难迁移。 一个人真正应该拥有的，不只是几个 AI 会员和 API Key，而是一套属于自己的知识、判断标准和工作方法。 模型可以不断升级，但我希望自己的经验是连续的，而且越用越有价值。

曝光 330 · 评论 4 · 点赞 1 · 书签 1