长程记忆
Agent 在一个持续数天、跨多轮推进的真实项目中不丢「为什么当初这么定」的能力——它的价值不是记住更多事实，而是让新信息能接上已有讨论，让每一轮沟通不必从头解释。
简介
长程记忆指的是 AI/Agent 把跨会话、跨阶段的有效上下文保留下来，并在后续决策中真正用出来的能力。它与「当场对话的上下文窗口」不同：窗口解决的是”这一轮问答里别忘了前面说过什么”；长程记忆解决的是”三天前为什么砍掉这个功能、上周调研得出的结论该不该回头改目标人群”。
这一点在一次性问答里几乎看不出来，只有任务被拉到多轮、多角色、多产出物的尺度上才会暴露。因此长程记忆的检验场景不是”你记得我叫什么吗”，而是需求蔓延之后方向有没有跑偏：项目展开后，需求、资料和修改记录越来越多，此前”为什么选这个方向、哪些功能决定暂缓”的判断会持续影响新决策；如果每次都要重新解释一遍，Agent 就只能给出孤立、局部最优的回答。
也因此，长程记忆不是”存得越多越好”。真正决定体验的是两个动作：① 记忆里存的是决策依据（为什么），而不只是结论清单（是什么）；② 在正确时机主动把记忆调出来用——例如在拿到一份新调研报告后，主动提出”这是否意味着 PRD 里的目标人群和需求优先级要调整”。这与 Agent Memory 记录的”记忆完整度 / 记忆运用意愿”两个正交维度是同一件事，但本文把它放在项目推进（而非陪伴或客服）的场景里检验。
需要区分的是：在 WorkBuddy 这类产品里，长程记忆是内置于产品的能力（用户看不到清单，只感受到”它记得为什么要做这件事”）；而在 Claude Code 类工具里，长程记忆更多以文件形态显性存在（CLAUDE.md、进度文件、记忆目录），人可以直接读改。
关键信息
- 类型：概念 / AI 产品能力 / 上下文工程组件
- 领域：AI Agent · 上下文工程 · 多轮协作 · 产品交付
- 解决的问题：跨轮/跨阶段的决策依据丢失，导致重复解释、方向漂移、局部最优
- 与上下文窗口的区别：窗口管”当场别忘”，长程记忆管”隔几天还接得上”
- 与 RAG 的区别：RAG 解决”去哪里查得到”，长程记忆还要解决”该不该在这一步主动用出来”
- 相关概念：Agent Memory、上下文工程、Claude Memory、共享记忆、多Agent、连接器、WorkBuddy
核心特性
检验长程记忆的三个真实信号
| 信号 | 说明 | 有长程记忆的表现 |
|---|---|---|
| 变更后的影响面 | 需求中途调整，是否需要重新交代全部背景 | 自动判断哪些产出物受影响并同步 |
| 新结论的落点 | 补充调研/反馈后，结论往哪里收敛 | 主动回到最初目标（“该为谁做、优先解决什么”） |
| 决策可否追溯 | 暂缓/砍掉的功能为什么被暂缓 | 后续判断能沿用当初的取舍理由 |
存什么：决策依据 > 事实清单
- 必须留下：目标用户与核心痛点的最初判断、范围边界（MVP 划到哪里）、被暂缓功能的理由、关键决策的取舍依据。
- 不必强留：过程性闲聊、可随时重新检索的公开事实。
- 代价：上下文是有限资源，什么都记等于什么都没记——这一点与 上下文工程 中”全都标重要等于都不重要”的结论一致。
与「多 Agent 协同」是耦合关系
多角色协作会放大记忆缺失的代价：项目总监、产品、研发、设计各自 Agent 如果拿不到同一份决策依据，就会各自重解释一遍背景，甚至互相打架。反过来，长程记忆是让多 Agent 协同成立的前提之一——变更能被正确地同步，靠的正是”大家都记得为什么要做这件事”。
常见误区
- 把”记住了”当成”用对了”：存了目标人群，却在新调研出来后不回头修正 PRD，等于没记。
- 把长程记忆等同向量检索：只做”能搜到”，不做”该主动提起”，用户仍要自己当调度员。
- 删掉”为什么”只留”是什么”：结果清单看似完整，遇到新信息就无法判断是否该改。
不同素材中的观点
- 2026-09-24-woshipm-workbuddy-one-line-requirement-mvp（欧阳俊杰）：把长程记忆放进「一句话需求 → 可用 MVP 产品」的交付链里检验，给出了最具体的观察——作者让 WorkBuddy 补充用户画像调研报告后，它结合调研结果提炼出影响产品方向的关键问题请人决策；确认后，又主动追问是否要相应调整 PRD 中的目标人群和需求优先级。作者的判断句是”WorkBuddy 懂得为什么要做这份调研”：最初目标是英语老师工作台，调研得到的新结论自然要回到这个目标上。他据此给长程记忆下的定义不是”记住更多”，而是”有了持续的上下文，每一轮沟通才能在已有基础上继续，而不用反复从头解释”。这条素材补上的是此前 Agent Memory 未覆盖的场景面——长程记忆在需求蔓延的项目推进中的价值（对照 2026-07-19-woshipm-agent-memory-design 的陪伴/粘性视角与 2026-09-16-woshipm-enterprise-agent-harness 的”底座可复用组件”视角）。
实用信息
- 快速上手（作为使用者如何验证）：在一段跨多轮的对话里，第一轮先明确目标用户与范围边界，中途插入一条新信息（新调研/新反馈），观察 AI 是否主动把它接回最初目标并提出调整建议——只答不接，说明只有窗口没有长程记忆。
- 设计检查单：① 记忆里必须包含决策理由，而不只是结论；② 提供”显式记住这个”的入口 + 可审计的自动提炼路径；③ 记忆要可读、可改、可删（文件路线天然友好）；④ 在变更发生时主动做影响面判断，而不是等人提醒。
- 注意事项：长程记忆会放大错误——如果早期判断本身是错的，它会让系统在错误方向上越走越顺；因此关键决策的确认动作必须留在人这一侧。