AI 冇記憶，只係一個貴價 Chatbot

我而家已經 build 咗三個 AI 產品——Sydney（我嘅個人 chatbot）、DIALØGUE（AI 生成嘅 podcast）、同 STRAŦUM（一個擁有 9 個 AI agent 嘅 marketing intelligence 平台）。而有一個教訓我一直喺度學：AI 冇記憶，只係一個貴價 chatbot。

第一次真正意識到呢個問題，係 STRAŦUM 開發初期。我有兩個正常運作嘅 agent 產出真正有用嘅 insights，但佢哋唔會互相溝通。每次對話都係由零開始。

同 Strategy Agent 講咗你嘅市場擴展計劃？好嘢，好有洞見。下星期轉去 Content Agent？你要由頭解釋你嘅擴展策略。就好似有九個天才同事但全部都有失憶症咁 :P

其實我喺 Sydney 身上都見過類似嘅問題。我第一次 build 佢嘅 RAG 系統嗰陣，佢可以答關於我 blog 文章嘅問題，但佢記唔住你兩分鐘前問過啲咩。每個問題都係全新嘅開始。都⋯⋯算係 ok 嘅？但感覺唔似對話，反而似審問一個搜尋引擎。

喺 STRAŦUM 入面，呢個問題嚴重咗 9 倍。九個 agent，零共享 context。

到我 build 咗大約兩個月嘅時候，我搵到一個解決方案——我叫佢做「漸進式學習」。同一個 agent 講咗一個業務目標，下一次所有九個 agent 都知道。唔使再解釋。冇 context 流失。我認為呢個功能將 STRAŦUM 由「9 個獨立工具」變成一個真正感覺似一個智能平台嘅嘢。

呢個係我點樣 build 佢嘅故事。我可能對某啲結論係錯嘅——我仲係喺度學緊咩有效咩唔得——但我想分享到目前為止嘅心得。

問題：用戶變成咗文件記錄機器

俾你睇下早期 STRAŦUM 嘅對話實際上係點嘅：

第一個星期，同 Strategy Agent：

> 用戶：「我哋計劃下季擴展到歐洲市場」

> Agent：[產出全面嘅市場進入策略]

第二個星期，同 Content Agent：

> 用戶：「幫我整啲 LinkedIn 帖文」

> Agent：「呢啲帖文應該講咩題目？」

> 用戶：「⋯⋯我哋嘅歐洲擴展啊？記唔記得？上個星期嘅事」

> Agent：「我冇關於歐洲擴展嘅 context。可以解釋一下嗎？」

老實講，我第一次喺測試期間見到呢個情況嗰陣，我覺得好尷尬。用戶已經講晒所有嘢。Strategy Agent 知道。資料就喺我哋嘅 database 入面。我哋只係冇將啲點連起來。

根據我 build 嘅三個產品嘅經驗，呢個係一個 pattern：用戶唔介意解釋一次。佢哋介意再解釋。「教 AI」同「做 AI 嘅秘書」之間有根本嘅分別。

我做咗啲粗略嘅計算，睇下浪費咗幾多時間：

- 平均重新解釋時間：每次對話 2-3 分鐘

- 每星期對話次數：所有 agent 加起來 10-15 次

- 每個用戶浪費嘅時間：每星期 20-45 分鐘

- 每年生產力損失：每個用戶 17-39 個鐘

大規模嚟計，呢個數字好快就累積到好大。一個有 10,000 用戶嘅平台，即係每年 170,000-390,000 個鐘嘅浪費。就算呢啲數字差一半，都係⋯⋯好多人重複同機器講同一番說話。

---

願景：「同一個 Agent 講，通知晒九個」

所以我開始諗——如果 agent 可以互相學習對方嘅對話會點？我已經見過類似嘅嘢喺 Sydney 身上用更簡單嘅形式運作：佢用 RAG 嚟「記住」我嘅 blog 文章同職業歷史。但 STRAŦUM 需要更加動態嘅嘢——唔係淨係檢索靜態內容，而係捕捉新資訊，從即時對話中提取並喺 agent 之間分享。

我追求嘅理想體驗：

1. 用戶喺第一日同 Strategy Agent 討論市場擴展

2. 平台自動捕捉關鍵業務 insight

3. 用戶喺第七日同 Content Agent 傾

4. Content Agent 已經知道擴展計劃

5. 唔使再解釋。只有智能 context。

我認為呢個就係一個人偶爾用嘅 AI 工具同一個人真正依賴嘅 AI 工具之間嘅分別。唔係關於花哨嘅功能——係關於記得你嗰個部分。

---

點運作：用戶體驗

自動學習

呢個係最難做得啱嘅部分，老實講。每次你同任何 agent 有一次有意義嘅對話，STRAŦUM 都會嘗試識別值得記住嘅關鍵業務 insight：

- 市場擴展計劃

- 目標受眾特徵

- 預算限制

- 競爭定位

- 品牌指引

- 定價策略

- 等等

你唔使做任何嘢。平台喺你工作嘅時候學習。（好啦，呢個係目標。我仲喺調整「咩值得記住」嗰個部分——稍後喺經驗教訓嗰節會講多啲。）

跨 Agent 智能

呢個係令我興奮嘅部分 :D 當你轉 agent 嘅時候，magic 就發生。你同 Performance Agent 提到嘅預算限制？Campaign Agent 喺推薦廣告支出嗰陣已經知道。你同 Strategy 討論嘅市場擴展？Content Agent 會將佢納入你嘅 messaging 建議。

九個 agent。一個對你業務嘅共享理解。

呢個令我諗起 DIALØGUE 嘅運作方式，其實——當佢生成 podcast 嗰陣，佢需要記住用戶嘅專業範疇、佢哋偏好嘅風格、佢哋嘅受眾。唔同嘅 context，同一個原則：記得你嘅 AI 同唔記得你嘅 AI 係根本唔同。

以下係實際運作嘅樣——當你開始新對話嗰陣，之前互動嘅相關 context 會自動可用：

```python
# 每個 agent 對話都由你嘅業務 context 開始
async def get_business_context(org_id: str) -> str:
    """
    從之前嘅對話中檢索相關 insight。
    每個 agent 都睇到對你業務重要嘅嘢。
    """
    insights = await fetch_recent_insights(org_id)

    # Context 自動流向每個 agent
    return build_context_summary(insights)
```

實際嘅 implementation 涉及仔細嘅 filtering 同 relevance scoring——但原則好簡單：你嘅 agent 記住重要嘅嘢。

完全透明

呢度有樣嘢我係學到嘅教訓：AI 記憶如果你唔知佢記住咗啲咩，會令人覺得好 creepy。喺早期測試嗰陣，我 show 個系統俾一個人睇，佢嘅第一個反應係「等等，佢仲知道啲咩關於我嘅嘢？」呢個唔係你想要嘅反應。

所以我喺系統入面 build 咗完全嘅透明度。以下係俾用戶睇同控制佢哋業務智能嘅 UI component：

```typescript
// 用戶可以準確睇到平台學到咗啲咩
export function BusinessIntelligenceDashboard() {
  const { insights } = useBusinessContext();

  return (
    <div className="space-y-4">
      <h2>STRAŦUM 對你業務嘅了解</h2>
      {insights.map(insight => (
        <InsightCard key={insight.id}>
          <div className="flex justify-between">
            <span className="font-medium">{insight.summary}</span>
            <Badge>{insight.source_agent}</Badge>
          </div>
          <p className="text-sm text-muted">
            學到於 {formatDate(insight.created_at)}
          </p>
          <Button
            variant="ghost"
            onClick={() => deleteInsight(insight.id)}
          >
            移除呢個 insight
          </Button>
        </InsightCard>
      ))}
    </div>
  );
}
```

- 睇晒所有嘢：一個專屬 dashboard 準確顯示平台學到咗啲咩

- 來源標註：知道邊個 agent 學到咗啲咩，幾時學到

- 輕鬆刪除：一 click 就可以移除任何你唔想被記住嘅 insight

- 冇隱藏學習：所有嘢都係可見同可審查嘅

用戶信任呢個系統因為佢哋控制住佢。

---

真實世界例子

例子 1：市場擴展

第一日 — Strategy Agent：

> 用戶：「我哋計劃下季擴展到歐洲市場，由德國同英國開始。」

> Agent：[產出全面嘅市場進入策略]

*平台捕捉到：計劃歐洲市場擴展，目標德國同英國*

第七日 — Content Agent：

> 用戶：「幫我整下個月嘅 LinkedIn 帖文」

> Agent：「我睇到你計劃緊歐洲擴展。呢啲帖文應唔應該幫你嘅受眾準備你嘅國際化發布？」

唔使再解釋。

例子 2：預算意識

第五日 — Agent：

> 用戶：「我哋嘅 marketing 預算大約每月 $10k」

> Agent：[產出預算分配分析]

*平台捕捉到：每月 marketing 預算約 $10,000*

第十五日 — Campaign Planning Agent：

> 用戶：「我哋應唔應該做付費廣告？」

> Agent：「根據你嘅每月預算，我建議喺付費渠道同內容製作之間平衡分配⋯⋯」

預算 context 被記住咗。

---

Multi-Tenant 嘅挑戰

當你同時服務中小企同 agency 嘅時候，漸進式學習就變得複雜。

對中小企嚟講：好直接。所有智能都屬於呢個組織。

對 Agency 嚟講：每個客戶嘅智能必須完全隔離。一間 agency 管理客戶 A 同客戶 B 嘅時候，絕對唔可以令客戶 A 嘅策略意外影響到客戶 B 嘅建議。

# Agency context 永遠係以客戶為範圍
def get_insights_for_conversation(org_id: str, client_id: str | None):
    """
    中小企：client_id 為 None，睇到所有組織 insight
    Agency：client_id 過濾到特定客戶
    """
    if client_id:
        # Agency 用戶喺處理特定客戶
        # 客戶 A 嘅 insight 永遠唔會洩漏到客戶 B 嘅 context
        return fetch_client_insights(org_id, client_id)
    else:
        # 中小企用戶，所有組織 insight 可用
        return fetch_org_insights(org_id)

呢個唔只係一個功能——呢個係一個信任要求。一次洩漏，agency 用戶就會永久失去信心。

我哋喺每個層面都大量投資咗數據隔離——應用邏輯、database policy、同廣泛測試。客戶 A 嘅業務智能留喺客戶 A 嗰度。永遠。

---

點解呢個創造真正嘅優勢

我想誠實講一樣嘢：我唔係一個 SaaS 策略師。我係一個喺廣告行業做咗 18 年然後先學寫 code 嘅 builder。但根據我 build 三個 AI 產品嘅經驗，我認為漸進式學習創造咗真正嘅優勢，原因如下。

遞增回報

用戶用平台越耐，佢就越聰明。每次對話增加 context。每個 insight 令未來嘅對話更好。

傳統 AI 工具：第 1 日同第 100 日係同一個體驗。

漸進式學習：第 1 日 = 好。第 100 日 = 出色。

我喺 Sydney 身上都見到呢個 pattern——佢嘅 RAG 系統令佢而家比六個月前更有用，純粹因為有更多內容俾佢提取。記憶會複利增長。

點解人留低

一旦平台深入了解你嘅業務，轉去競爭對手就意味住由零開始。你會失去：

- 數個月累積嘅智能

- 關於你市場策略嘅 context

- 跨 agent 建立嘅受眾 insight

- 預算限制同目標

使用 30 日之後，平台就捕捉到你大部分嘅業務 context。我認為呢個就係點解人留低——唔係因為佢哋被鎖住，而係因為去第二度由零開始真係感覺係退步。

組織內部嘅網絡效應

對於管理多個客戶嘅 agency（呢個好貼近我嘅心——我職業生涯大部分時間都喺 agency），漸進式學習會倍增：

- 每個客戶嘅智能獨立累積

- 每段客戶關係加深平台嘅價值

- 價值隨組合規模而擴展

一間有 10 個客戶嘅 agency 得到單一用戶 10 倍嘅效益。

難以複製

我可能係錯嘅，但我相信 build 漸進式學習需要深度整合：

- AI 回應生成

- 後台處理

- Multi-tenant 數據隔離

- 用戶控制界面

- 跨 agent context 分享

呢個唔係你事後加上去嘅嘢。佢係由一開始就織入架構嘅。

---

業務影響

以下係我追蹤緊嘅數字（我一向嘗試對呢啲嘢具體啲）：

每個用戶節省嘅時間：

- 之前：每次對話 2-3 分鐘重新解釋

- 每星期對話次數：10-15

- 每年節省時間：每個用戶 17-39 個鐘

我對留存率嘅預期

我要坦白——我仲未有足夠數據嚟確實證明呢一點。STRAŦUM 仲係 alpha 階段。但我嘅假設，基於到目前為止所見嘅：

- 累積咗大量已儲存 insight 嘅用戶唔太可能轉換

- 投入嘅 context 越多，喺其他地方由零開始就越難

- 漸進式學習應該同留存率直接相關

我會密切追蹤呢個。如果我錯咗，我都會寫出嚟 :P

呢個真正有用嘅原因（超越數字）：

- 你唔使再做你 AI 嘅秘書

- Context 隨時間自然累積

- 平台越用越好——你唔使額外付出

---

經驗教訓（用慘痛代價換來嘅）

呢啲唔係理論性嘅 insight——呢啲係我真正犯過嘅錯誤。

1. AI 記憶需要用戶控制

早期版本感覺好似監控。我 show 俾一個朋友睇，佢嘅原話係「呢個好 creepy。」唔係你想要嘅 feedback。

修正方法：完全透明。顯示所有嘢。俾用戶刪除任何嘢。冇隱藏學習。

結果：用戶信任呢個系統因為佢哋控制住佢。（我應該知道嘅——我 build Sydney 嘅對話界面嗰陣都有同樣嘅直覺。人想知道背後發生緊啲咩。）

2. 質量大過數量

我嘅第一直覺係記住所有嘢。每一句。每一個細節。我係一個「越多數據越好」嘅人——喺 analytics 做咗 18 年會變成咁。但結果係信息過多又冇重點。

修正方法：只捕捉高信心、策略性相關嘅 insight。質量勝過數量。

結果：專注嘅 context，真正改善對話。

3. 少啲 Context 通常更好

呢個令我好意外。注入太多 context 到對話入面令回應變慢同冇重點。原來當你俾 Claude 一堆背景資料，佢會嘗試引用所有嘢——即使大部分都唔相關。

修正方法：仔細策劃。只包含同當前對話相關嘅內容。

結果：更快嘅回應，更專注嘅建議。我仲喺度搵啱嘅平衡點。

4. Multi-Tenant 隔離唔可以妥協

數據隔離出一個 bug 就可以永久摧毀用戶信任。嚟自 agency 嘅世界，我知道客戶保密性有幾嚴肅。一間 agency 管理客戶 A 同客戶 B，絕對唔可以有數據喺佢哋之間洩漏。

修正方法：縱深防禦。多層隔離。廣泛測試。

結果：零跨客戶洩漏事件。（呢個係一個我唔會含糊嘅範疇——隔離必須完美。）

---

AI 記憶幾時有意義？

如果你喺度 build 一個 AI 產品，考慮緊係唔係投資記憶功能，以下係我嘅坦白睇法。漸進式學習喺以下情況有意義：

✅ 你有多個 AI 接觸點可以從共享 context 中受益

✅ 用戶有重複互動，跨日/周/月

✅ Context 會累積價值（業務策略、偏好、限制）

✅ 留住用戶比獲取新用戶更重要

✅ 你服務組織（團隊、agency、企業）

❌ 以下情況唔使做：

- 單次互動（冇重複參與）

- Context 唔會累積價值

- 私隱顧慮大過方便

- 你冇辦法投資正確嘅數據隔離（我係講真正嘅投資——唔係做一半）

---

最後想法

漸進式學習將 STRAŦUM 由「9 個獨立 AI agent」變成一個真正感覺似一個智能平台嘅嘢。用戶講一次。系統記住（或者直到佢哋刪除為止）。

我認為呢個就係工具同平台嘅分別。交易同關係嘅分別。「我偶爾用呢個」同「我冇呢個冇辦法做嘢」嘅分別。但我仲係喺呢個旅程嘅初期——STRAŦUM 仲係 alpha，我每個星期都學到啲關於咩有效嘅新嘢。

Build AI 記憶好難。Multi-tenant 隔離增加咗複雜性。呢個下面嘅 multi-tenancy 基礎本身就係一次冒險——由第二日嘅架構決定到第 67 日完全重建。但結果呢？一個越用越聰明嘅平台。

同一個 agent 講。通知晒九個。

我好好奇——如果你喺度 build AI 產品，你有冇處理過記憶嘅問題？咩方法對你有效？我真心有興趣知道，因為我仲喺度搵最好嘅方法嚟決定咩值得記住、咩係噪音。話俾我知。

---

親自試下

讀關於漸進式學習係一回事。親身體驗又係另一回事。

STRAŦUM 而家係私人模式。 我喺度同一小組中小企創辦人同 agency 團隊合作，喺公開發布之前改善體驗。

如果你厭倦咗同每次傾完都乜都唔記得嘅 AI 工具重新解釋你嘅業務，我好想俾你試下。

申請 Alpha 測試

你會得到：

- 完全使用所有 9 個 AI agent

- 真正記得你業務嘅漸進式學習

- 直接聯繫我嘅渠道，俾 feedback 同功能需求

我喺度按滾動基礎接受新嘅 alpha 用戶。名額有限——我想喺呢個階段俾每個人個人化嘅關注。

祝好，

Chandler