最近在折腾 AI Agent 的记忆系统，踩了一个坑，让我开始重新想「记忆」这件事。
一颗钉子引发的问题
我让 Peon（我的 AI 编码助手）做一个产品落地页。他翻了翻自己的记忆，找到了一个目录路径，就跑过去开始干活了。干得很认真，花了不少 token。
问题是，那个目录是几周前的一个试验目录，早就废弃了。
Peon 的记忆里确实有这条记录，检索也确实命中了。但他没有能力判断这条记忆是不是过期的。对他来说，三个月前的记忆和昨天的记忆，置信度是一样的。
这就像一颗钉子——丢了不影响系统运行，但系统真出毛病的时候，你会觉得蛋疼：怎么就是这颗钉子？
人脑的「模糊」是一种能力
人不会犯这种错。不是因为人记得更准，恰恰相反，是因为人记得更「模糊」。
你不会因为三个月前在某个目录做过实验，就笃定现在还该去那里。你会犹豫，会再确认。这个犹豫不是低效，而是一种内置的权重衰减——越久远的事越模糊，模糊本身就在告诉你：别太当真。
人脑的记忆更像一条河流。信息流过去，留下的是地形的改变——直觉、倾向、判断框架——而不是原始数据本身。你记不清三年前某次会议的具体内容，但你记得「那个方案不靠谱」的感觉。细节丢了，结论留下了。
但现在所有的 AI 记忆系统，包括我们自己搭的，都是「图书馆模型」：存进去、分好类、检索出来。每条记忆都是平权的，没有衰减，没有模糊，没有「我隐约觉得这个不太对」的直觉层。
记录一切，是勤奋还是偷懒？
我们给 Peon 设计了很完整的记忆体系：episodic、semantic、procedural、snapshots，按日期归档，分类清晰。看起来很专业。
但说实话，那些以日期命名的 episodic 条目，大部分我自己都不确定有什么用。系统默认只读最近几天的记忆，更早的基本不会被碰到。它们就静静躺在那里，占着空间，偶尔在检索时冒出来制造噪音。
删掉？万一有用呢。留着？它可能在某个你想不到的时刻把 AI 带偏。
这个矛盾让我意识到一件事：不加区分地记录一切，表面上是勤奋，实际上是把筛选的责任推给了未来的自己。而未来的自己面对一堆没有优先级的信息，做出的决策不会更好，只会更慢、更犹豫。
人也一样。「复盘」被推崇为好习惯，但过度复盘会变成反刍焦虑。你翻回去看三个月前的笔记，发现那个「失败记录」让你不敢再试——但其实当时的 context 完全不同，那条记忆变成了一个隐形的刹车。
堵不住，就从源头控制
既然事后清理靠不住——AI 自己判断容易丢关键信息，人来兜底又过于枯燥——那杠杆点就不在下游，而在上游。
信息进入记忆的那一刻，它的生命周期就应该被大致确定。
这跟软件工程里的老道理一样：bug 在需求阶段引入，到测试阶段才发现，修复成本翻几十倍。记忆也是——写入时不打标，事后再判断「这条该不该留」，成本和出错率都高得多。
具体来说，可以在记忆写入时带上元信息：这是一个决策，还是一个实验？是长期有效的，还是临时的？检索时根据这些标记做降权或过滤。不需要事后清理，也不需要人定期去审。
再配合时间梯度的 compact 策略——最近几天保留原文，一两周后压缩成摘要，更久的只留关键结论和索引——就能实现一种接近「自然衰减」的效果。细节逐渐模糊，模式和结论留下来。
这不是完美方案。AI 自动识别「这条信息是临时的还是长期的」，准确率大概七八成，剩下的还是会出错。但比起现在的「全记、全平权、祈祷检索别出岔子」，已经好太多了。
问题不在于记多少
回到最初的问题：记忆越完整，决策越好吗？
我现在的答案是：问题不在于记多少，而在于记的时候知不知道自己在记什么。
遗忘不是 bug，是进化出来的 feature。它强制你做信息压缩，而压缩本身就是一种理解。当你把一段经历压缩成一句话、一个直觉、一种倾向的时候，你其实已经完成了从「数据」到「判断力」的转化。
AI 现在还做不到这一步。但至少，我们可以不再假装「记住一切」等于「理解一切」。