Agent 记忆即前缀文本

Agent Memory Is A Prepended Text File · agent-memory-is-a-prepended-text-file--raviv-khan

解决什么问题

给 AI 产品设计"记忆"功能时把 memory 神秘化；分不清哪些信息该进 memory、哪些该靠检索，导致上下文被无用信息挤占。

核心内容

LLM 是无状态的（作者比喻：门萨天才配上仓鼠级短期记忆）。每个新对话线程都是白板；任何连续性都必须被工程出来。PM 要问的是：什么应该持久存在、以何种方式。
memory 的本质：当今 coding agent 普遍遵循 AGENTS.md 惯例——放在目录里的一个 Markdown 文件，被自动前置到每个对话线程的开头。所谓记忆就是一个前置文本文件，没有魔法。
因此 memory 有成本：AGENTS.md 里的每个字都占用每一次对话的 context window。记忆越多，留给任务本身的空间越少。
分工原则：持久且始终相关的信息进 memory；任务特定的信息靠 RAG 按需检索。
AGENTS.md 内容的四类示例：(1) 我是谁、这个助手帮我做什么（"我是 Acme 平台组的 PM"）；(2) 期望的协作方式（"多问问题补上下文、补关键缺失信息、挑战我的假设"）；(3) 要应用的价值观（"bias to action，信息不全也要做决定"）；(4) 输出规范（"极度简洁、扁平层级、不用粗体斜体和长破折号"）。
辨析：AGENTS.md 不是 subagents。AGENTS.md 是"贴在每次对话上的便利贴"（纯指令，不产生任何进程）；subagent 是"委托给同事"（一个线程另开线程处理子任务）。
给产品人的练习：亲手维护自己的 AGENTS.md，你会切身感受什么是有用信息、什么是噪音——这正是为用户设计 memory 功能时需要的直觉。

适用边界

描述的是 coding agent 的文件惯例；核心可迁移的是"memory=前置上下文、有窗口成本、须与检索分工"的逻辑。
什么放 memory 什么靠检索没有公式，取决于任务与使用频率，需迭代策展。

关键引述 · 原话

Tal Raviv & Aman Khan: "Let that sink in: memory is just a text file prepended to every conversation."

Tal Raviv & Aman Khan: "LLMs are stateless, so we like to think of them as Mensa geniuses with the short-term memory of a hamster."

— Tal Raviv & Aman Khan

关联卡片

上下文工程与退化借 AI 编程练产品直觉

- 同源卡：`context-engineering-and-context-rot--raviv-khan`（memory 是竞争 context window 的一方）、`ai-product-sense-via-coding-agents--raviv-khan`（personal OS 练习载体）。

出处：Tal Raviv & Aman Khan (AI 产品人，Build AI Product Sense 工作坊创办者) · 02-newsletters/how-to-build-ai-product-sense.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2