记忆，在模型之外

1　长期积累与服务生命周期

对个人 AI 而言，最难替代的往往不是模型的能力，而是用户在其中留下的历史。持续使用会形成超出单次任务的积累。用户逐渐说明自己的处境，纠正系统的误解，并建立特定的表达与协作习惯。这些过程消耗时间，也使后续交互获得此前并不具备的背景。模型与应用可以更新，但已经发生的交互对用户仍然具有价值。

因此，系统更新同时涉及不同的时间尺度。推理能力的迭代围绕某个模型版本展开；用户的生活、偏好与关系则可能跨越多个版本。当长期积累只能在某一项服务内部发挥作用时，更换服务就可能要求用户重新说明自己，或者接受部分积累失去作用。这种退出成本与历史的可使用条件有关，不能仅由新模型的能力提升来抵消。

De Freitas 等以 Replika 移除情爱角色扮演功能这一事件为切入点：事件前后的用户帖子呈现出哀悼、心理困扰与贬低产品等反应；他们随后对更广泛的 AI 伴侣用户进行假设情境实验，发现更新引起的“身份中断”感知，与哀悼和贬低变更后的系统相联系。该研究说明，持续交互中的变化具有超出一般功能评价的影响；由于事件涉及特定功能与交互条件，它并不能证明外置记忆能够避免这类损失。（De Freitas et al., 2025）

本文从这一问题提出规范性判断：用户在长期交互中形成的、允许保留的个人积累，应当具有继续治理和使用的路径。即使无法保证原有体验完整复现，系统仍应当将保留历史的可能性，与是否继续使用同一项推理服务区分处理。

这一立场关注长期资源如何被组织与控制。人格形成与身份连续性的机制，另见配套理论工作论文《历史何以成为自我——个人 AI 的人格形成与跨模型连续性》（Aetern AI Research，2026）。两者共享个人 AI 的研究背景，分别讨论应当优先追求的架构目标，以及需要接受经验检验的身份解释。

本文的架构立场与 Aetern 对长期记忆系统的工程开发及评测工作相联系。

2　核心立场：可替换的计算与可治理的历史

本文所说的个人记忆，指经授权保留、能够影响后续交互的历史信息及其解释。它可以包含表达、理解与尚未完成的约定，也可能涉及他人的信息。因此，“个人”描述其与某位用户持续交互的关联，并不意味着其中所有内容都可以不受限制地转交或使用。

本文所说的用户控制，指用户能够理解重要记忆如何影响系统，并对其保留、修订、使用与迁移作出有实际效果的选择。它不能仅由一句所有权声明来替代。用户即使得到一份导出文件，若无法理解其内容或在允许的环境中继续使用，对长期积累的控制仍然有限。

由此，本文主张将长期历史作为具有相对独立生命周期的资源来设计。计算服务可以替换，记忆的保留与使用条件则应能够被单独说明。对于服务终止、模型退役或用户主动迁移等情形，系统需要提供可理解的处理路径，并明确哪些内容能够继续使用、哪些能力依赖原有环境。

这种独立性具有程度与适用范围。它不要求所有模型无差别地解释同一份历史，也不要求服务方永久提供某个版本。其要求是降低不必要的绑定，使用户更换计算组件时，仍然能够对既有积累作出有意义的决定。

这里包含一个需要论证的价值选择：长期交互形成的历史，对用户的价值可以超过某个产品版本的寿命。若系统只在用户继续留用某项服务时，才允许这些历史发挥作用，服务便同时握住了两样东西：计算能力的供给，与通往用户过去的入口。当二者握在同一只手里，更换模型就意味着交出自己的过去。本文主张为后者建立独立的治理条件。

3　为何支持模型之外的记忆

3.1　架构选择及其适用条件

将知识或交互信息保存在参数之外，已有明确的技术先例。检索增强生成将参数化记忆与非参数化记忆结合；MemGPT 则通过系统层面的记忆管理支持超出即时上下文窗口的交互。它们说明推理与可更新的信息资源可以分别组织，但其研究结果并未直接证明用户控制或跨模型人格延续。（Lewis et al., 2020） （Packer et al., 2023）

表 1 从本文关注的治理目标比较几类一般性安排。实际系统可以混合使用这些方式；表中比较是本文的分析，不是各类架构性能的实验排名。

本文支持外部记忆，主要因为它为记忆建立独立的访问、修订与迁移边界提供了直接的设计空间。这一理由与用户治理目标相联系，不意味着参数化方案在原则上不能提供迁移或控制，也不意味着将信息移出模型之后问题就已解决。

3.2　计算上的外置与治理上的独立

信息存放在模型之外，只说明某种计算或存储关系。若其读取、解释与继续使用仍完全依赖同一个服务提供者，用户依然可能缺乏实际的替换路径。外置记忆服务本身，也可能成为新的绑定点。

因此，本文所主张的模型独立性需要同时考察管理关系：服务提供者更换时，用户能否取得允许迁移的积累，理解其主要含义，并选择新的使用环境；现有环境的限制能否被明确说明。这些条件决定外置是否转化为用户可行使的选择。

外部资源可以由专业服务托管，也可以采用其他管理安排。本文不指定唯一的托管形式。治理独立性的价值，在于允许计算、保管与使用授权分别被审视，并在适当条件下被替换。它同样要求外部记忆提供者说明退出与交接条件。

4　用户控制的实质

4.1　理解与修订

长期记忆可能包含系统从表达中得出的判断。这类判断具有推断性质，其后续作用需要允许被识别和纠正。用户应当能够区分自己明确表达的内容、系统对这些内容的解释，以及已经发生的修订，避免一项曾经的误解长期参与后续判断。系统对用户的理解若要被检查、修订或交接，应当能够指回它所依据的原始表达；无法追溯来处的判断，不宜作为长期积累继续使用或迁移。

Amershi 等提出的人机交互设计指南，包括支持高效纠错、说明用户操作对系统后续行为的影响，以及提供全局控制。（Amershi et al., 2019） 本文将这些指南延伸至长期记忆：修订应当能够影响未来使用，而不仅改变用户看到的文字。

与此同时，有效控制不应要求用户逐条审查全部积累。管理入口需要围绕用户能够理解的对象与后果展开，并允许用户纠正那些对当前交互具有重要影响的判断。系统仍然承担妥善处理信息与解释变更后果的责任。

4.2　使用范围与情境

能够取得某项记忆，并不自动意味着在任何情境中都适合使用它。Nissenbaum 的情境完整性理论强调，信息的收集与流动应当结合特定情境中的规范来理解。这为记忆迁移提供了一项重要提醒：信息的位置发生变化时，其适当的使用条件也需要受到关注。（Nissenbaum, 2004）

本文据此主张，可迁移性应当容纳用户对范围的选择。用户可能希望延续某种协作偏好，同时限制一段私人经历进入新的应用。迁移应当说明将转移什么、接收环境会如何使用，以及哪些原有约束能够被承接。涉及他人的内容，也需要保留相应的使用边界。

这一立场并不要求将生活中的所有情境合并为一份普遍可访问的历史。可继承的记忆可以支持连续性，选择性披露则使用户能够保持不同情境之间必要的距离。

4.3　更替、退出与删除

系统的变化会影响长期交互。Amershi 等提出在更新中限制破坏性变化，并告知用户能力的变化。（Amershi et al., 2019） 对个人 AI 而言，重要变化还需要结合既有历史解释其后果，使用户能够理解继续使用、更换环境或终止交互分别意味着什么。

用户应当有选择更替的空间，但现实条件未必允许永久保留原模型或随时恢复原服务。系统需要如实说明这些限制，并尽可能提供可行的过渡路径。将已经无法维持的环境描述为可随时恢复，会制造另一种不可兑现的依赖。

被记得是一种价值，被允许遗忘同样是。连续性也不能要求用户保留全部历史。删除或限制使用某些内容，可能减少未来可用的信息；系统应当尊重这一选择并说明已知影响。承诺删除时，需要清楚说明其范围、处理方式与无法即时消除的限制，并使删除延及由该内容推出的判断与摘要，避免以维持个性化为由暗中继续使用用户要求移除的内容。

5　可迁移性的边界

5.1　记录取得与实际使用

迁移具有多个条件。记录能够被读取，是继续使用的基础；目标环境还需要理解其中重要内容的含义与适用范围。例如，一项过去已经撤回的约定，若被新的环境当作当前有效的要求，文件本身即使没有缺失，历史也已被错误承接。

因此，可迁移性应当结合用途来说明。导出的内容能否作为档案阅读、能否参与后续交互、是否依赖原有服务，分别对应不同的能力。提供者应当明确自己支持哪一种程度，以及接收环境仍需承担什么工作。

本文不要求所有服务立即采用统一的内部表示。更可行的目标是，为允许交接的内容保留足以理解的含义与限制，并对无法兼容的部分作出明确说明。形式统一可以帮助交换，实际可用性仍然需要另行确认。

5.2　记忆迁移与人格延续

目标模型的理解能力、行为倾向与运行规则都会影响旧有积累的实际表现。即使相关记录完整保留，新系统仍可能改变表达方式、忽略既有约定，或无法提供原有能力。因此，记忆可迁移应被理解为延续的条件之一。

LongMemEval 等公开记忆评测，已将信息抽取、时间推理、知识更新与缺乏依据时的弃答等能力分别处理。（Wu et al., 2025） 这些能力与正确使用历史有关，但某项记忆任务表现良好，不能单独证明迁移后的人格或关系得以延续。

本文由此将可治理的历史与连续性的保证区分处理。前者可以成为明确的架构目标；后者需要针对实际情境提供证据，并报告尚未保持的性质。若迁移只能延续部分信息或能力，其价值可以被承认，边界也应当同时被说明。

6　反对意见与架构代价

6.1　深度整合可能带来更好的体验

一种合理的反对意见是：将模型、记忆与应用深度整合，可以减少兼容工作，并支持针对特定环境的优化。分离则可能增加交接成本，使某些原本顺畅的能力变得受限。

本文接受这一取舍。系统内部的深度整合，与为用户保留退出和交接路径，可以分别设计。架构独立性不要求消除所有耦合；它要求说明哪些耦合服务于明确能力，哪些仅仅使用户无法继续利用自己的积累。当更强的整合确有必要时，相应收益与迁移限制应当共同进入用户的选择。

6.2　独立记忆并不自动降低隐私风险

长期保存的记忆可能扩大暴露范围；在多个环境中使用，也会增加接收方与副本。外置架构本身无法消除这些问题。一份高度集中的个人历史，甚至可能成为更有价值的攻击目标。

本文因此支持与用途相适应的保留和披露，而不以积累越多作为设计目标。用户需要能够决定什么值得延续、什么只适合留在原有情境，以及什么应当被删除。将某项内容保留以供未来使用，需要结合预期收益与持久保存的代价来论证。

6.3　可迁移性存在持续维护成本

记忆交接需要接收方理解，也需要在服务、模型与格式变化后继续维护。即使最初的导出成功，后续环境的变化仍可能使其失去可用性。可迁移性因此是一项持续的维护责任，不能仅由一次导出功能来代表。

这种责任也不宜全部转交用户。要求每个人自行维护存储、兼容与迁移，会使控制权取决于技术能力。本文支持专业服务承担必要工作，并使其收费、支持范围与退出条件可被理解。用户控制可以通过可靠的委托实现，其重要条件是委托关系具有明确边界与可行的替换路径。

7　结论

个人 AI 的长期积累具有超出单一模型版本的价值。本文支持将记忆作为可独立治理、具有迁移路径的资源来设计，使用户更换计算服务时，仍然能够决定既有历史的保留与使用。

“记忆，在模型之外”由此表达一项架构与治理立场：为长期积累建立超越特定推理组件的持续条件。其价值需要与兼容、隐私和维护成本一并评估。它能够支持用户选择，并不自动保证人格延续；关于实现能力的主张，仍然需要相应证据。

没有用户控制的连续，是另一种锁定；只能导出、不能继续使用的历史，只是一份档案。

个人 AI 的长期价值，最终取决于一件事：当技术不断更新，用户是否仍然握着自己参与写下的历史，并决定它此后如何被使用。