让 AI 真正记住我的人生：个人记忆型 AI 的需求、理想方案与现实
一、我想要的不是一个更好的搜索引擎
我在 Obsidian 中积累了几千篇文章，主要是日常生活记录、工作经历、家庭往事、个人思考，以及从网络上收藏的文章。这些资料跨越多年，内容庞杂，记录方式也不统一。
我希望借助大模型，对这些资料进行检索和总结。例如，当我问“帮我总结一下我和某个人的所有过往”时，AI 能够从历史记录中找出相关信息，按照时间顺序梳理我们之间发生过的事情，分析关系的变化，最终形成一份完整的人物档案。
但在思考如何实现这一目标时，我逐渐意识到：我真正需要的不是一个能够搜索几千篇文章的 AI，而是一个能够长期阅读这些文章、持续积累记忆、逐渐了解我的 AI。
这两种产品看似相似，实际上有着本质区别。
目前常见的知识库问答工具，大多采用这样的工作方式：用户提出问题，系统从资料库中检索若干相关内容，再将这些内容交给大模型，由大模型组织答案。
这种方式可以解决很多问题，但仍然存在局限。检索可能遗漏重要记录，模型可能只看到部分材料，也可能把不同时间的事情混在一起。即使最终生成的总结十分流畅，也无法证明它已经找全了所有相关信息。
更重要的是，这种 AI 通常是在我提出问题之后，才临时开始了解相关资料。它能够回答问题，却不一定真正形成了对我的长期认识。
我希望改变这种工作方式。
二、理想中的 AI 应该如何记住一个人
假设我连续十几年记录生活，写下工作上的经历、家庭成员的故事、与朋友和同事的交往、做过的重要决定，以及阅读文章之后形成的思考。
理想中的 AI 应该在日常运行中持续阅读这些材料，逐步建立起对我的整体认识。
例如，它应该知道某个人是谁，我们是什么关系，这些年共同经历过什么；知道我在不同阶段对这个人的看法如何变化；知道某件事情为什么发生，以及它后来对我产生了什么影响。
这些信息不应该只在我询问时才临时拼凑，而应该逐步沉淀为一套持续更新的个人记忆。
当我问“我和这个人过去发生过什么”时，AI 可以直接依据已经形成的人物记忆回答。如果我进一步询问某次事件的具体日期、当时的原话，或者要求列出所有相关记录，它再查阅原始档案，进行核实和补充。
我期待的不是一个每次对话都需要重新认识我的 AI，而是一个能够随着时间推移，越来越了解我的 AI。
个人记忆应该包含哪些内容？
我认为，至少需要四个层次。
第一层：对个人的整体认识。
包括人生经历、重要目标、价值观、思维习惯、长期兴趣，以及自己对某些问题的看法如何随时间变化。
第二层：人物与关系记忆。
包括家庭成员、朋友、同事的身份，不同称呼之间的对应关系，彼此之间的关系，以及共同经历的重要事件。
第三层：具体事件记忆。
包括事件发生的时间、地点、参与者、事情经过、前因后果，以及当时的感受和后来的变化。
第四层：完整的原始档案。
包括日记、工作流水账、收藏文章、原始文档等。它们是所有记忆的依据，不能因为建立了摘要或人物档案，就被摘要取代。
这四个层次应该彼此关联。对个人的整体认识，可以建立在人物和事件记忆之上；人物和事件记忆，则可以追溯到具体的原始记录。
三、真正重要的功能是持续更新记忆
个人记忆不是一次性建立的数据库，而是一个不断演化的系统。
假设我今天在 Obsidian 中新增了一篇日记，提到十年前认识的某个人。理想中的 AI 应该能够自动发现这篇文章，并完成以下工作：
识别文章中涉及的人物、事件和时间信息。
将新记录与过去的相关经历关联起来。
判断这篇文章是补充了一段新经历，还是修正了原有认识。
更新相关人物档案、事件时间线和个人记忆。
保留原始出处，必要时记录修改历史，确保能够核查和纠错。
如果我修改了一篇旧日记，系统也应该能够发现变化，重新评估受到影响的记忆，而不是让旧摘要继续保留已经过时的信息。
此外，系统还应该能够处理相互矛盾的记载。比如，我在两篇日记中对同一事件给出了不同日期，AI 不应该擅自选择其中一个，而应该标记差异，等待进一步确认。
因此，理想的个人 AI 不仅需要记忆，还需要具备持续整合、纠错和维护记忆的能力。
四、为什么不能简单地把几千篇文章全部总结一遍
一种看似直接的方案，是让大模型通读所有文章，为每篇文章生成摘要，再把摘要汇总成人物档案和主题档案。
这种方法可以作为起点，却不能完全解决问题。
首先，摘要必然会丢失部分细节。某个当时看似不起眼的事件，几年之后可能成为理解另一件事情的关键线索。
其次，不同文章之间可能存在复杂的联系。单篇摘要未必能够识别这些联系，更难判断后来的记录是否改变了对早期事件的理解。
最后，记忆本身也会过时。随着新文章不断加入，旧摘要可能与新的事实产生冲突。如果没有明确的更新机制，系统反而会积累越来越多相互矛盾的信息。
所以，AI 应该建立的是一套可以持续修正的记忆体系，而不是一堆静态摘要。
原始文章始终是依据，人物档案和事件时间线是不断更新的结构化记忆，而对个人的整体认识则是基于这些材料形成的更高层次理解。
五、现有技术已经发展到什么程度
截至 2026 年 10 月，相关技术已经出现了一些值得关注的进展，但还不能认为这个问题已经被完整解决。
1. 传统知识库：擅长检索，缺乏持续理解
现在常见的文档问答和检索增强生成（RAG）系统，可以对大量文章建立索引，使用关键词和语义搜索找出相关材料，再交给大模型回答问题。
它们解决了资料难以查找的问题，但主要工作流程仍然是“提出问题—搜索资料—生成答案”。
如果系统没有另外建立长期记忆机制，它通常不会因为读过某篇文章，就自动形成一份持续维护的个人经历档案。
2. 长期记忆框架：开始让 AI 跨会话积累信息
一些 AI Agent 框架已经开始支持持久记忆、可更新的记忆结构，以及对记忆进行整理和维护的机制。例如，Letta 等项目探索了让 AI 在不同会话之间保留信息，并根据新的经验更新记忆的方式。
这些技术表明，AI 不必每次对话都从零开始，可以逐渐积累信息，并在后续交互中利用此前形成的记忆。
但能够维护 AI 自身的长期记忆，并不意味着它已经能够自动通读任意 Obsidian Vault，持续理解几千篇中文日记。要实现这种能力，仍然需要解决文件接入、增量更新、人物识别、事件关联和记忆校正等问题。
3. 持续记忆仍然是一个需要综合解决的问题
真正的个人记忆系统，不是增加一个“记住用户”的开关，也不是将历史对话无限期保存下来。
它需要将原始资料转化为有组织的记忆，理解不同记录之间的关联，根据新资料更新已有认识，并能够在出现错误时修正记忆。
这一过程涉及资料读取、信息提取、长期存储、关联分析、更新管理、隐私保护和原文追溯等多个环节。单独某项技术取得进展，并不代表整个系统已经成熟。
因此，现阶段更合理的判断是：实现个人长期记忆所需的部分技术已经存在，但把这些技术整合成一个能够可靠理解个人多年经历的产品，仍有许多工作要做。
六、理想方案应该如何设计
如果要自己构建这样一套系统，我认为最合理的架构不是让一个模型把所有文章永远装在上下文里，而是建立一套分层、可更新、可以追溯的个人记忆。
首先，以 Obsidian 作为原始资料库，保留全部 Markdown 文件及附件，避免将个人资料锁定在某个封闭平台中。
其次，在后台建立持续处理机制。首次运行时，系统批量阅读全部旧文章，建立人物、事件、时间线和主题之间的联系。此后，只处理新增或发生变化的文章，并更新受到影响的记忆。
再次，建立个人记忆层。它不是简单的全文索引，而是以人物、事件、经历、想法和关系为中心，保存重要事实及其来源，并区分已经确认的信息、推断和仍然存在歧义的内容。
最后，让大模型使用这套记忆回答问题。普通问题优先依据已形成的记忆回答；遇到具体细节、信息冲突或要求穷尽全部记录的任务，再回查原始文章。
这个方案仍然需要搜索，但搜索不再是每次回答的全部工作，而是用于验证、补充和纠正记忆。
同时，系统应当能够显示某条记忆来自哪篇日记，必要时直接打开原文。记忆不应该成为无法核查的黑箱。
七、现阶段最合理的策略
既然现有工具还没有完全满足需求，我认为没有必要急于对几千篇文章进行大规模改造。
当前最值得做的，是保留现有资料的完整性和可迁移性。尽量保持 Markdown 原文、附件和日期信息可靠，做好独立备份，避免为了适配某一个 AI 产品而把所有资料迁移到封闭平台。
也不必急着为每篇文章手动分类、打标签，或者构建复杂的人物关系图谱。等未来的工具能够自动完成这些工作时，手工投入可能并不划算。
可以用少量真实问题测试现在的产品。例如，挑选几个熟悉的人物，看看工具能否找出他们跨越多年、使用不同称呼的相关记录；再新增或修改一篇日记，检查系统能否自动更新记忆。如果测试效果不够理想，就继续等待或尝试其他方案。
在选择产品时，应重点考察几个方面：能否自动读取和监控 Obsidian 文件，能否识别同一个人的不同称呼，能否持续更新长期记忆，能否区分事实与推断，能否追溯原始出处，以及能否保障个人资料的隐私和可迁移性。
八、最终目标：建立一个能够持续了解自己的人生档案
对我而言，几千篇 Obsidian 文章不仅是需要管理的文件，更是多年生活经历、家庭记忆、工作经验和个人思想的积累。
这些资料的价值，并不只在于将来能够找到某篇文章，而在于它们共同构成了一段完整的人生历史。如果 AI 能够真正理解这些材料之间的关系，它就可以帮助我重新认识过去，梳理人物关系，回顾重要决定，比较自己在不同阶段的思想变化，并从长期经历中发现过去没有注意到的规律。
它甚至可以在整理家族历史、编写人物回忆录时，自动汇总散落在几十篇日记中的细节，让原本零碎的记录逐步形成完整的叙事。
这也是我认为个人 AI 未来最值得发展的方向之一。
真正理想的个人 AI，不应该只是一个知道如何搜索你过去记录的工具，而应该是一个能够持续阅读、记住、理解和修正这些记录的系统。
它平时积累记忆，随着新资料不断更新自己的认识；当你提出问题时，它能够基于这些长期积累的记忆理解你的问题、给出有连续性的回答，并在必要时回到原始资料核实细节。
现阶段，这个方向已经有了一些技术基础，但距离稳定、完整、开箱即用的个人记忆系统仍有差距。
因此，我目前更愿意继续积累和保存自己的资料，等待真正成熟的工具出现。
原始资料是人生的底稿，持续记忆是 AI 理解人生的基础，而真正的价值，在于让这些积累随着时间推移变得越来越有意义。