AI Agent 的記憶與檔案系統：memory、檔案記錄、漸進式揭露 — 自架 AI Agent 實戰（三）

你有沒有遇過這種情形：昨天才跟 ChatGPT 聊得好好的、它好像很懂你的狀況，今天開一個新對話，它整個人就「不認得你」了？

我那隻股票 agent 一開始也是這樣。我昨天明明跟它討論過某檔股票的觀察重點，隔天它自己醒來盯盤，卻像第一天上班一樣什麼都不記得——昨天算過的指標、判斷的理由，通通歸零，每天都在重新認識同一檔股票。

這不是它笨，是因為 AI 模型天生就「沒有記憶」。今天這篇，就要來解這個問題：怎麼讓一隻 agent 真的「記得事情」、而且越記越聰明。

在 自架 AI Agent 實戰系列 裡，我把一隻自主 agent 拆成四層：Context（它知道什麼）→ 能力（它能做什麼）→ 溝通（它怎麼跟你來往）→ 自動化（它什麼時候自己動）。上一篇 Agent Instruction 講了 Context 的第一塊「規則」，這篇要接著講 Context 的第二塊、也是讓 agent「越用越懂你」的關鍵——記憶（memory）。

這篇會聊這些：

• 為什麼 AI 會「失憶」：context window 根本不是記憶
• 工作記憶 vs 長期記憶：什麼該記、什麼不該記
• 解法：用檔案系統當 agent 的記憶（把知識寫成檔案，它自己讀寫）
• 招牌觀念漸進式揭露：用「索引檔 → 細節檔」避免一次塞爆它的腦袋
• 我那隻股票 agent 的記憶資料夾長怎樣（真的貼給你看）

關於作者：我是工程師阿穆，寫程式十多年，這幾年在做 AI Agent 與電商系統開發。文中的記憶結構都是我自己電腦上 agent 真的在用的，本文是第一手實作紀錄。 利益揭露：本文沒有業配、沒有聯盟連結。提到的工具都是我自己用過或研究過的。

為什麼 AI 會「失憶」：context window 不是記憶

先講清楚一個很多人搞混的地方。

你跟 AI 對話的時候，它好像「記得」你前面講過的話，對吧？但那其實不是記憶，那叫 context window（上下文視窗）——它是模型這一次對話能「同時看到」的文字範圍。

我喜歡這樣比喻：

context window 就像你考試時桌上能攤開的小抄，一張紙就那麼大。這次對話結束、紙一收走，下次考試是一張全新的空白紙。而真正的「記憶」，是你放在書包裡那本寫滿筆記的筆記本——隨時可以翻、不會因為考完試就消失。

模型本身只有「小抄」，沒有「筆記本」。所以每開一個新對話，它就是一張白紙重新開始。這就是為什麼你的 agent 會失憶：它不是忘了，是它根本沒有一個地方能「記住」。

兩者擺一起就很清楚：

而且小抄還有大小限制。你把越多東西塞進 context window，它反而越容易抓不到重點、品質變差——這個現象有人叫它 context rot（脈絡腐化）。所以「把所有東西一次塞給它」不但做不到永久記憶，還會幫倒忙。

工作記憶 vs 長期記憶：什麼該記、什麼不該記

那「記憶」這件事，其實要拆成兩種來看，就跟人腦一樣：

• 工作記憶（短期）：這一次任務當下需要的東西。例如「現在正在分析台積電，剛抓到的即時報價」。任務做完，它就沒用了，不需要留。
• 長期記憶：跨越多次對話、值得一直留著的東西。例如「我的持股清單」「我設定的停利停損價」「過去每天的收盤判斷」。

搞懂這個分層，你就知道什麼該寫進記憶、什麼不該：

會變、用完即丟的 → 工作記憶，不用存;穩定、之後還會用到的 → 長期記憶，要存起來。

這很重要，因為新手最常犯的錯就是「什麼都想記」，結果記憶檔案塞滿一堆過期的即時報價、一次性的閒聊，反而把真正重要的東西淹沒。記憶不是越多越好，是越乾淨越好。

解法：用檔案系統當 agent 的記憶

那長期記憶要放哪？最樸素、也最強大的答案是——檔案。

概念簡單到你會懷疑：把該記住的東西，寫成一個個檔案存在電腦上，讓 agent 需要的時候自己去讀、有新東西自己去寫。 那個資料夾，就變成它的「筆記本」、它的長期記憶。

以我的股票 agent 為例，它每天做完事會把這些寫進檔案：

• 今天選出的觀察清單 → 存成 morning_watchlist.txt
• 每檔算好的指標、判斷理由 → 存進 data/ 底下對應的檔案
• 抓回來的歷史股價、三大法人籌碼 → 存進它自己的快取檔

久而久之，這個 data/ 資料夾就累積成一個它專屬的資料庫。隔天它醒來盯盤，先去讀這些檔案，就「想起來」昨天的脈絡了——不用我重講一遍。

這招的好處是它樸素到不可思議：不用架資料庫、不用學什麼花俏的記憶框架，就是檔案而已。你看得到、改得動、備份方便，agent 也讀得懂。我在 用 LLM 維護我的個人知識庫 那篇講的，本質上就是同一套思路——讓 AI 把知識寫成一份份檔案，自己當管理員。

這就是自架 agent 很迷人的地方：最強的記憶方案，不是什麼高深的向量資料庫，而是你早就會用的「檔案」。

招牌觀念：漸進式揭露（progressive disclosure）

好，現在有個新問題。

當記憶檔案越來越多——假設累積了上百檔股票、每檔都有一份筆記——你總不能每次都把全部檔案塞進 context window 吧？前面說過，小抄就那麼大，塞爆了反而變笨。

那該怎麼辦呢？答案是這篇我最想跟你分享的觀念：漸進式揭露（progressive disclosure）。

聽起來很學術，但概念你超熟悉，就是圖書館的目錄卡：

你進圖書館找書，不會把整座書庫的書都搬到桌上。你先看目錄（一個小小的索引），找到你要那本書在哪一櫃，再走過去把那一本抽出來。

漸進式揭露就是這招用在 agent 記憶上：

1. 先給 agent 一個小小的索引檔——只列「我有哪些記憶、各自放在哪個檔案、講什麼」。
2. agent 看索引，判斷這次任務需要哪幾份。
3. 它才去讀那幾份細節檔，而不是一次全載。

這樣 context window 永遠只裝「現在真正需要的那幾本」，既不會塞爆、又能存無限多記憶。索引檔是那張目錄卡，細節檔是書架上的書。

有趣的是，這不是我發明的偏方——連 Claude Code 自己的記憶系統就是這樣設計的：一個 MEMORY.md 當索引，底下連到一個個獨立的記憶檔，要用到哪則才去讀哪則。微軟的 Agent Skills 文件也把它列為核心 pattern。下一篇要講的 Skills 其實也是同一個精神——一份 skill 描述很短，需要時才展開細節。漸進式揭露可以說是整個 agent 設計的底層心法之一。

我那隻股票 agent 的記憶長怎樣

講了這麼多，直接攤開我自己的東西最有感。我那隻 台股 AI Agent 的記憶資料夾，骨架大概長這樣：

data/
  INDEX.md              ← 索引檔：列出底下有哪些記憶、各記什麼
  watchlist.md          ← 我的持股 + 觀察清單（長期記憶）
  rules.md              ← 我設定的停利停損價、訊號門檻（長期記憶）
  history/
    2330-台積電.md       ← 單檔股票的歷次判斷紀錄
    2454-聯發科.md
    ...
  cache/                ← 抓回來的股價、籌碼快取（半長期）

關鍵就在那個 INDEX.md。它很短，內容大概像這樣：

# 記憶索引

- watchlist.md：目前持股與觀察名單
- rules.md：各檔的停利/停損價與訊號門檻
- history/{代號}.md：單檔股票的歷次判斷與理由
- cache/：股價與籌碼快取，需要歷史資料時再讀

agent 每次醒來，先讀這份 INDEX.md，知道「喔今天要盯台積電，那我去讀 history/2330-台積電.md 跟 rules.md 就好」，其他幾百個檔案碰都不用碰。這就是漸進式揭露的實際樣子——它腦袋裡永遠只裝今天用得到的那幾份，乾淨、省力、又不失憶。

而且你回頭看會發現：這份記憶設計，其實是被上一篇的 instruction 指揮的——我在指令裡寫了「判斷理由寫進 history/ 對應檔案」「每次只讀需要的檔案」，記憶才會這樣有條理地長出來。instruction 是規則，memory 是它照著規則累積下來的成果，兩塊合起來就是完整的 Context。

常見的三個踩雷

我自己踩過、也最常看到的，就這三個：

1. 什麼都想記，結果記憶變垃圾場。 前面講過，工作記憶（即時報價、一次性閒聊）不要存。只存「之後還會用到的」。記憶要定期清，不然越記越鈍。

2. 沒有索引，一次全塞。 如果你把所有記憶檔案每次都整包丟給 agent，檔案一多就會塞爆 context、品質直接崩。一定要有索引檔，讓它先看目錄再決定讀哪幾本。

3. 記憶結構太亂，agent 自己也找不到。 檔案命名要直覺（像 2330-台積電.md 一看就懂）、分類要清楚。你都看得吃力的結構，agent 也會讀得辛苦。好的記憶結構，是人跟 agent 都能一眼看懂的。

你可以怎麼開始

不用一開始就設計什麼完美的記憶系統，從最小的開始就好：

1. 先開一個資料夾，放這隻 agent 的記憶。
2. 挑一兩件「它每次都該記得的事」寫成檔案——像你的偏好、固定的清單、規則。
3. 在 instruction 裡告訴它：「重要的結論寫進這個資料夾、下次先讀它」。
4. 等檔案多了，再加一個 INDEX.md 索引檔，做漸進式揭露。

關鍵心法：記憶不是一次設計好的，是邊用邊長出來的。 先讓 agent 養成「把重要的事寫下來、下次先翻筆記」的習慣，它就會一天比一天更懂你。而且你完全可以直接叫 AI 幫你設計這個記憶結構——跟它說「幫我規劃一個用檔案當記憶的資料夾結構，要有索引檔」，它就會給你一份草稿。

常見問題

AI Agent 的記憶跟 context window 有什麼不同？

context window 是它「這一次」能看到的文字範圍，對話結束就清空;記憶是它「跨對話」能一直保留的東西。 context window 像考試小抄（用完收走），記憶像筆記本（永遠在）。模型本身只有 context window，所以要靠「把知識寫成檔案」幫它補上長期記憶。

為什麼要用檔案當記憶，不用資料庫？

對自架的個人 agent 來說，檔案最樸素也最夠用：不用架設、看得到、改得動、好備份，agent 也讀得懂。資料庫適合資料量超大、要複雜查詢的場景;但多數個人 agent 用資料夾 + Markdown 檔就綽綽有餘，複雜度低很多。

什麼是漸進式揭露（progressive disclosure）？

就是「先看索引、需要時才讀細節」，避免把所有記憶一次塞進 context window。 做法是放一個簡短的索引檔列出「有哪些記憶、各在哪」，agent 先讀索引、判斷這次需要哪幾份，再去讀那幾份。像進圖書館先查目錄、再抽特定那本書，而不是把整座書庫搬上桌。

記憶檔案會不會越來越大、把 context 塞爆？

只要做了漸進式揭露就不會。重點不是「記憶總量」，而是「每次載入量」。 記憶檔案可以有上百個、無限大，但每次 agent 只透過索引讀「當下需要的那幾份」，載入 context 的量永遠是可控的。記得定期清掉過期的工作記憶，保持乾淨。

一定要會寫程式才能幫 agent 做記憶嗎？

不用。記憶本質上就是一個資料夾 + 幾個 Markdown 檔，你會建檔案、會寫筆記就會。甚至可以直接叫 AI 幫你規劃資料夾結構、幫你寫索引檔。你要做的是想清楚「哪些事值得長期記得」，剩下的結構它可以幫你搭。

結語

繞了一圈，讓 agent「有記憶」這件事，其實沒有想像中神祕：模型沒有記憶，那我們就用檔案幫它補一個。 把重要的事寫成檔案當長期記憶、用索引檔做漸進式揭露讓它每次只讀需要的——這兩招一搭，你的 agent 就從「每天失憶的金魚」變成「越用越懂你的老員工」。

這也是 自架 AI Agent 實戰系列 Context 這一層的完整樣貌：instruction（規則） + memory（記憶）。規則告訴它怎麼做事，記憶讓它記得做過什麼——兩塊到齊，這隻 agent 才算真的「知道自己在幹嘛」。

如果你想養一隻會記憶、越用越聰明的 agent，但卡在「記憶結構不知道怎麼設計」或「想做的東西有點複雜」——這正是我在做的事。我有提供 AI Agent 的諮詢顧問與代建服務，幫你看記憶與架構怎麼設計，或直接幫你做出來。

這是 自架 AI Agent 實戰系列 的第三篇，想看完整的四層觀念與其他篇，可以從總論進去。

延伸閱讀：

• 自架 AI Agent 實戰（一）：在自己電腦養一隻會自己開工的 AI 員工 — 系列總論，四層觀念地圖
• Agent Instruction：怎麼寫 AI Agent 的「憲法」 — 系列 #2，記憶要怎麼長，是 instruction 指揮的
• 你的 Notion 第幾次爛掉了？我用 LLM 維護我的個人知識庫 — 用檔案當記憶的完整實戰
• 用 Claude Code 打造台股 AI Agent：盤中盯盤、訊號到就發 Telegram — 本篇記憶資料夾的完整案例

喜歡這篇文章嗎？

📧 訂閱 Newsletter — 新文章直接寄到你信箱 🎬 追蹤我的 YouTube — 看 AI / 工具實作影片 💬 加我的 LINE — 聊聊你想做的 agent，或有問題隨時問我 🧵 追蹤 Threads — 平常的工程隨筆

掰掰～👋