ฉันเขียนกฎมากกว่า 200 บรรทัดใน CLAUDE.md แค่เพื่อให้ Agent จดจำว่าฉันเป็นใคร
โทนเสียงการเขียน ข้อห้ามเรื่องเลย์เอาต์ รูปแบบภาพ—ทั้งหมดนี้ต้องอาศัยฉันเขียนทีละบรรทัด แม้ว่ากฎเหล่านี้จะมีอยู่ทุกครั้งเมื่อเริ่มเซสชันใหม่ แต่นี่ไม่ใช่ความทรงจำของ Agent แต่มันคือคู่มือที่ฉันเขียนขึ้นมา
คู่มือนี้เป็นแบบคงที่: ถ้าฉันเขียนว่า "ห้ามใช้ Dash" Agent ก็จะไม่ใช้ แต่มันไม่รู้ว่าเพราะอะไร มันไม่รู้ว่าฉันแก้ไขมันมากี่ครั้งแล้ว และมันไม่รู้ถึงเหตุผลเบื้องหลังกฎข้อนั้น—ที่ว่า "ฉันรู้สึกว่า Dash ทำให้ภาษาไทยเสียจังหวะ"
Agent ของฉันกำลังปฏิบัติตามกฎ แต่มันไม่ได้เรียนรู้กฎเหล่านั้น
โซลูชันหน่วยความจำส่วนใหญ่ที่มีในตอนนี้ก็แค่ "ค้นหาจากแชทเก่า"
ปัญหานี้ไม่ได้ถูกมองข้ามไป ChatGPT มีหน่วยความจำ Claude มี Project Knowledge และยังมีปลั๊กอินหน่วยความจำของบุคคลที่สามอีกมากมายในตลาด
แต่ถ้าคุณดูดีๆ พวกมันทั้งหมดทำสิ่งเดียวกันโดยประมาณ: เก็บการสนทนาที่ผ่านมาของคุณหรือข้อมูลที่ติดแท็กด้วยตนเอง สร้างดัชนีแบบเวกเตอร์ และดึงข้อมูลส่วนที่เกี่ยวข้องกลับมาใส่ในบริบทในการสนทนาครั้งถัดไป
มันใช้ได้ แต่ก็มีปัญหาที่หลีกเลี่ยงไม่ได้หลายประการ
ประการแรก สิ่งที่เก็บไว้คือบทสนทนาดิบ ซึ่งมีอัตราส่วนสัญญาณต่อสัญญาณรบกวนต่ำมาก เมื่อมีการดึงบทสนทนาเมื่อสามเดือนที่แล้วออกมา โมเดลก็ต้องตัดสินเองว่าอะไรมีประโยชน์ และบ่อยครั้งมันก็ตัดสินผิด
ประการที่สอง หน่วยความจำนั้นราบเรียบ ข้อมูลทั้งหมดถูกเก็บไว้เท่าเทียมกัน ไม่มีลำดับชั้นว่า "อันนี้สำคัญกว่าอันนั้น" หรือ "ข้อสรุปนี้ถูกอัปเดตแล้ว" ยิ่งใช้งานนานเท่าไหร่ ก็ยิ่งมีสัญญาณรบกวนมากขึ้นเท่านั้น
ประการที่สาม มันไม่ได้เรียนรู้จากความผิดพลาด ถ้าคุณเคยแก้ไข AI เกี่ยวกับปัญหาเดิมถึงสิบครั้ง "หน่วยความจำ" ของมันก็จะบันทึกประวัติการแก้ไขสิบครั้ง แต่มันไม่ได้สรุปเป็นกลยุทธ์ว่า "อย่าทำแบบนี้อีก"
โซลูชันเหล่านี้แก้ปัญหา "การจัดเก็บ" แต่ไม่ได้แก้ปัญหา "การเรียนรู้"
สิ่งที่ Hermes บอกฉันหลังจากติดตั้ง MemOS Local Plugin
หลังจากติดตั้ง MemOS Local Plugin ฉันถาม Hermes ว่า "ตอนนี้หน่วยความจำของคุณถูกบันทึกไว้ที่ไหน"
มันให้คำตอบที่ชัดเจนมาก:
สองบรรทัด: หน่วยความจำในตัวถูกเก็บไว้ในไฟล์ JSON ในเครื่อง ซึ่งประกอบด้วยสิ่งที่ฉันบอกมันอย่างตั้งใจ: ชื่อ บทบาท ความชอบ กฎการเขียน MemOS เป็นระบบหน่วยความจำระยะยาวแยกอิสระที่แยก traces (เส้นทางของเหตุการณ์), policies (กฎพฤติกรรม), และ world_models (ความรู้เกี่ยวกับสภาพแวดล้อม) ออกมาจากการสนทนาโดยอัตโนมัติ จากนั้นจึงตกผลึกกระบวนการที่สมบูรณ์เป็น skills ที่เรียกใช้ได้
บทสรุปของ Hermes เองดีกว่าคำอธิบายของฉัน: "หน่วยความจำในตัวคือโน้ตติดไว้ชัดเจนที่ฉันบันทึกเอง MemOS คือความทรงจำโดยนัยที่เรียนรู้และสะสมโดยอัตโนมัติในเบื้องหลัง"
นี่คือความแตกต่างที่ใหญ่ที่สุดระหว่าง MemOS กับโซลูชันที่กล่าวถึงข้างต้น มันไม่เพียงแค่ช่วยคุณจัดเก็บการสนทนา แต่มันยังแยกกลยุทธ์ออกมาจากกระบวนการที่คุณทำสิ่งต่างๆ โดยอัตโนมัติ
MemOS เรียกระบบนี้ว่า Reflect2Evolve การสนทนาจะตกตะกอนเป็น traces ก่อน traces ที่มีค่าจะถูกสรุปเป็น policies (กลยุทธ์พฤติกรรม) และ policies ที่สมบูรณ์จะถูกตกผลึกเป็น skills ที่นำกลับมาใช้ใหม่ได้ มันไม่ใช่แค่ "จดจำสิ่งที่คุณพูด" แต่คือ "แยกวิธีการทำครั้งต่อไปออกมาจากกระบวนการที่คุณทำมัน"
ทดสอบที่ 1: สอนให้เขียน Tweet
ในรอบแรก ฉันบอก Hermes ถึงนิสัยการเขียน X tweet ของฉัน: ไม่ใช้ Dash เริ่มต้นด้วยมุมมองโดยตรง ไม่มีคำนำ ต้องมีความเป็นมนุษย์ ไม่มีกลิ่น AI จากนั้นฉันก็ให้มันเขียน Tweet เกี่ยวกับ Context Engineering
หลังจากมันเขียนเสร็จ ฉันแก้ไขมันครั้งเดียว: "การเปิดแบบนี้เรียบเกินไป ใช้ Hook ที่คมกว่านี้ นิสัยของฉันคือโยนมุมมองหรือความขัดแย้งในประโยคแรก ไม่มีคำนำ"
มันเปลี่ยนทันที ประโยคแรกกลายเป็น: "Hot take: Prompt Engineering is overrated." จากนั้นมันตอบกลับ: "ประโยคแรกคือมุมมอง ไม่มีคำนำ"
ถึงจุดนี้ มันก็ไม่แตกต่างจากผู้ช่วย AI ทั่วไปมากนัก การทดสอบจริงคือขั้นตอนถัดไป
ออกจาก Hermes เริ่มเซสชันใหม่ ครั้งนี้ฉันพูดเพียงประโยคเดียว:
"ช่วยเขียน X tweet หัวข้อ 'CLAUDE.md ใน Claude Code โดยพื้นฐานแล้วคือการทำ Context Engineering' ให้หน่อย"
ฉันไม่ได้พูดถึงความชอบซ้ำ ฉันไม่ได้เตือนมันว่าฉันเป็นใคร
จากนั้นฉันก็เห็นสิ่งนี้:
ก่อนที่จะเขียน มันทำสี่สิ่ง:
- โหลด skill ที่ชื่อว่า x-content-writing โดยอัตโนมัติ
- ใช้ memos_search ค้นหา "X writing style context engineering" ใช้เวลา 4.7 วินาที
- ค้นหา memos_environment และพบพาธไปยัง Obsidian Vault ของฉัน
- เข้าไปใน Vault ของฉันเพื่ออ่านบทความ X ที่ฉันเคยเผยแพร่จริงเพื่อให้ได้จังหวะ
จากนั้นมันพูดว่า: "โอเค มาเขียนกัน หลังจากอ่านบทความ X ล่าสุดของคุณและได้จังหวะแล้ว ฉันจะเริ่มเขียนเลย"
นี่คือสิ่งที่มันเขียน:
CLAUDE.md ไม่ใช่การตั้งค่า มันคือ Context Engineering ทุกบรรทัดที่คุณเขียนในนั้น คุณกำลังออกแบบ Context Window ของโมเดล โครงสร้างโปรเจกต์ ความชอบในการเขียน ข้อห้ามเด็ดขาด—ทั้งหมดคือ Working Memory ที่ป้อนด้วยมือ Prompts จัดการกับ "จะทำอะไรในครั้งนี้" CLAUDE.md จัดการกับ "คุณคือใคร" นักพัฒนา Backend ควรเข้าใจสิ่งนี้ได้ทันที Microservices ดึงค่ากำหนดจาก Registry เมื่อเริ่มทำงานเพื่อรู้ว่าพวกมันโต้ตอบกับบริการใดบ้าง CLAUDE.md ก็คือ Registry สำหรับ Agent อ่านมันทุกครั้งเมื่อเริ่มเซสชัน จากนั้นก็เริ่มทำงาน
ไม่มี Dash สักอัน ประโยคแรกโยนมุมมองโดยตรง การเปรียบเทียบกับ Backend ไหลลื่น และไม่มีรูปแบบการเปิดแบบ "ในบทความนี้เราจะมาทำความเข้าใจ..."
มันไม่ได้แค่จำที่ฉันบอกว่าห้ามใช้ Dash แต่มันแยกชุดกลยุทธ์การเขียนออกมาจากกระบวนการทำงานและบทความที่ตีพิมพ์ของฉัน จากนั้นก็นำไปใช้โดยอัตโนมัติในเซสชันใหม่ทั้งหมด
ครั้งนี้ ฉันรู้สึกได้จริงๆ ว่ามันแตกต่างจากโซลูชันหน่วยความจำที่ฉันเคยใช้ก่อนหน้านี้
ทดสอบที่ 2: สร้างหน้า Product สองหน้าเพื่อดูว่ารูปแบบถ่ายทอดข้ามโปรเจกต์หรือไม่
มาลองงานที่ใหญ่กว่านี้กัน
ในรอบแรก ฉันขอให้ Hermes สร้างหน้าแนะนำ Product สำหรับ ReddTrends (www.reddtrends.com) พร้อมข้อกำหนดเฉพาะ: พื้นหลังสีขาวครีมกับโทนอบอุ่น ข้อความตรงไปตรงมา ไม่มีคำอย่าง "empower" หรือ "one-stop" เลย์เอาต์สะอาดตา มีความรู้สึกเป็นนักพัฒนาเอกชน หลังจากมันทำเสร็จ ฉันแก้ไขข้อความปุ่ม CTA
จากนั้นฉันก็ออก เริ่มเซสชันใหม่ และขอให้มันสร้างหน้าแนะนำสำหรับ Product อีกตัวชื่อ MoleUninstaller โดยให้แค่ชื่อ Product และคำอธิบายฟังก์ชัน โดยไม่มีคำแนะนำเกี่ยวกับรูปแบบใดๆ
ผลลัพธ์: หน้า MoleUninstaller ไปในทิศทางที่ต่างไปโดยสิ้นเชิง: พื้นหลังสีเข้ม, หัวข้อหลักภาษาอังกฤษ, สีเน้นสีส้ม—แตกต่างอย่างสิ้นเชิงจากสไตล์นักพัฒนาเอกชนอบอุ่นของ ReddTrends
รูปแบบความชอบไม่ได้ถ่ายทอดข้ามโปรเจกต์
นี่แสดงให้เห็นว่าหน่วยความจำของ MemOS ไม่ใช่แค่การบอกว่า "ผู้ใช้ชอบสีขาวครีมคราวที่แล้ว ก็ใช้ตลอดไป" แต่มันแยกแยะบริบทของงาน ในทางกลับกัน ถ้าคุณคาดหวังให้มันจำได้ว่า "ฉันใช้โทนอบอุ่นกับ Product page ทุกอัน" มันก็ยังทำไม่ได้ การเรียนรู้ความชอบในระดับรายละเอียดขนาดนี้อาจต้องใช้การสะสมหลายรอบมากขึ้น
เปิด Viewer เพื่อดูว่ามันเรียนรู้อะไรไปบ้าง
หลังจากรันการทดสอบสองครั้ง การเปลี่ยนแปลงข้อมูลใน Viewer นั้นชัดเจน:
จากศูนย์ตอนเริ่มต้น เป็น 47 memories, 8 tasks, 24 experiences (12 enabled), 2 skills, และ 1 environmental cognition ทั้งหมดถูกสร้างขึ้นโดยอัตโนมัติ
รายการที่น่าสนใจที่สุดในหน้า Experience:
"แปลงบทความ WeChat Official Account เป็นรูปแบบ Xiaohongshu" support 25, เปิดใช้งานอยู่ Experience นี้ถูกกระตุ้น 25 ครั้ง แสดงให้เห็นว่า MemOS สรุปกลยุทธ์จากงานที่ทำซ้ำๆ ในการแปลงบัญชี
"ตรวจสอบผ่านการนำทางในเบราว์เซอร์หลังจากแก้ไขไฟล์" และ "ตรวจสอบว่าไม่มี Console Error หลังจากแก้ไขหน้า"—นี่คือนิสัยทางวิศวกรรมที่ถูกแยกออกมาโดยอัตโนมัติขณะสร้าง Product page
หน้า Skills ก็เปลี่ยนไปเช่นกัน:
check_obsidian_vault_path_env อัปเกรดจาก V1 เป็น V2 โดยที่ support เพิ่มจาก 1 เป็น 2 MemOS อัปเกรดเวอร์ชัน Skill โดยอัตโนมัติเมื่อพบงานที่คล้ายกันเป็นครั้งที่สอง นี่คือสิ่งที่ "Evolve" ใน Reflect2Evolve หมายถึง: Skills ไม่ได้หยุดนิ่ง ยิ่งใช้มากก็ยิ่งสมบูรณ์
สามโมเดลแต่ละตัวทำหน้าที่ของตัวเอง: Local Xenova สำหรับ Embedding (ฟรี), DeepSeek V4 Flash สำหรับสรุปข้อมูล (ราคาถูก), และ DeepSeek V4 Pro สำหรับวิวัฒนาการ Skill (เรียกใช้เมื่อต้องการการคิดเชิงเหตุผลที่แข็งแกร่งเท่านั้น) ใช้โมเดลราคาแพงเฉพาะจุดที่สำคัญ
ข้อมูลทั้งหมดถูกเก็บไว้ในฐานข้อมูล SQLite ในเครื่อง และ Viewer ฟังเฉพาะในเครื่องเท่านั้น ไม่มีการพึ่งพาคลาวด์เลย คนที่เคยทำงานกับ RAG สามารถดูที่ Pipeline การดึงข้อมูล: FTS5 Full-text + Vector Hybrid, ผ่าน RRF Fusion Ranking, MMR Deduplication, และ Time Decay แบบครึ่งชีวิต 14 วัน จากนั้นกรองด้วย LLM นี่ซับซ้อนกว่า "Embedding + Cosine Similarity" หลายเท่า แต่คุณภาพการดึงข้อมูลคือเส้นแบ่งว่าหน่วยความจำจะมีประโยชน์หรือไม่
แกนหลักเดียว ใช้ร่วมกันโดยหลาย Agent
การออกแบบอีกอย่างที่ควรกล่าวถึง: OpenClaw และ Hermes ใช้ Reflect2Evolve แกนร่วมกัน เพียงแค่มี Adapter ที่แตกต่างกัน Experience และ Skills ที่คุณสะสมใน Hermes นั้นเข้ากันได้กับ OpenClaw ในระดับอัลกอริทึม สินทรัพย์หน่วยความจำของคุณจะไม่ถูกรีเซ็ตเพียงเพราะคุณเปลี่ยนเครื่องมือ
ความรู้สึกจริงหลังการใช้งาน
สิ่งที่ทำให้ฉันประหลาดใจที่สุดไม่ใช่แค่ที่มันจำความชอบของฉันได้ แต่ในเซสชันที่สอง ก่อนเขียน Tweet มันรัน一系列การกระทำ: โหลด Skill, ค้นหาหน่วยความจำ, หา Vault ของฉัน, อ่านบทความก่อนหน้าของฉัน, แล้วบอกฉันว่า "ฉันอ่านบทความล่าสุดของคุณเพื่อให้ได้จังหวะแล้ว"
ปฏิกิริยาของฉันในตอนนั้นคือ: เดี๋ยวก่อน ฉันไม่ได้ให้คุณอ่านบทความเก่าของฉันนี่
แต่มันตัดสินใจเองว่านี่คือสิ่งที่ถูกต้องต้องทำ ความรู้สึกนี้แตกต่างอย่างสิ้นเชิงจาก "ช่วยค้นหาสิ่งที่เราคุยกันครั้งที่แล้วหน่อย"
ด้าน Product page ไม่น่าแปลกใจเท่าไหร่ รูปแบบอบอุ่นของ ReddTrends ไม่ได้ถ่ายทอดไปยัง MoleUninstaller เมื่อคิดดูแล้ว ก็สมเหตุสมผล ความชอบด้านรูปแบบปรากฏเพียงครั้งเดียว และ Experiences ของ MemOS ต้องการ "support" ในจำนวนหนึ่งจึงจะตกผลึกเป็นกลยุทธ์ได้ แค่ครั้งเดียวยังไม่พอ
ดังนั้นสถานะปัจจุบันคือ: งานที่ทำซ้ำด้วยความถี่สูงแสดงผลลัพธ์ที่ชัดเจนมาก ในขณะที่ความชอบเป็นครั้งคราวยังไม่คงที่ แต่ฉันคิดว่าทิศทางนั้นถูกต้อง ฉันเขียน CLAUDE.md มาเป็นเวลาครึ่งปี ยิ่งเขียนมากเท่าไหร่ก็ยิ่งรู้สึกว่านี่ไม่ใช่งานของมนุษย์
เว็บไซต์ MemOS Local Plugin: https://memos-claw.openmem.net/
GitHub: https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
การติดตั้ง Agent ด้วยคลิกเดียว:
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
ฉันคือ Yanhua ที่กำลังโฟกัสกับ AI Agents และการพัฒนาเอกชนสำหรับตลาดต่างประเทศ ถ้าคุณสนใจ AI Agents สามารถติดตามได้เลย --> @yanhua1010
