Tôi đã viết hơn 200 dòng quy tắc trong CLAUDE.md chỉ để Agent nhớ tôi là ai.
Giọng văn, bố cục kiêng kỵ, phong cách hình ảnh — tất cả đều phụ thuộc vào việc tôi viết chúng từng dòng một. Mặc dù những quy tắc này tồn tại mỗi khi tôi bắt đầu một phiên mới, nhưng đây không phải là bộ nhớ của Agent; đó là một cuốn sổ tay tôi tự viết.
Cuốn sổ tay này là tĩnh: nếu tôi viết "đừng dùng dấu gạch ngang," Agent sẽ không dùng. Nhưng nó không biết tại sao, không biết tôi đã sửa nó bao nhiêu lần, và không biết lý do đằng sau quy tắc — rằng "tôi cảm thấy dấu gạch ngang làm tiếng Trung mất đi nhịp điệu."
Agent của tôi đang thực thi quy tắc, nhưng nó chưa học được chúng.
Hầu hết các giải pháp bộ nhớ hiện tại chỉ là "tìm kiếm trong các cuộc trò chuyện cũ"
Vấn đề này không phải không được chú ý. ChatGPT có bộ nhớ, Claude có kiến thức dự án, và có nhiều plugin bộ nhớ của bên thứ ba trên thị trường.
Nhưng nếu nhìn kỹ, chúng đều làm điều tương tự: lưu trữ các cuộc trò chuyện trong quá khứ hoặc thông tin được gắn thẻ thủ công, xây dựng chỉ mục vector, và truy xuất các đoạn liên quan để nhồi lại vào ngữ cảnh trong lần trò chuyện tiếp theo.
Nó có hiệu quả, nhưng có một số vấn đề không thể tránh khỏi.
Đầu tiên, những gì được lưu trữ là cuộc trò chuyện thô, có tỷ lệ tín hiệu trên nhiễu rất thấp. Khi một đoạn tán gẫu từ ba tháng trước được truy xuất, mô hình phải tự đánh giá cái gì hữu ích, và nó thường đoán sai.
Thứ hai, bộ nhớ là phẳng. Tất cả thông tin được lưu trữ ngang hàng; không có thứ bậc "cái này quan trọng hơn cái kia" hay "kết luận này đã được cập nhật". Bạn càng dùng lâu, càng có nhiều nhiễu.
Thứ ba, nó không học từ sai lầm. Nếu bạn đã sửa AI mười lần về cùng một vấn đề, "bộ nhớ" của nó có mười bản ghi sửa chữa, nhưng nó chưa tổng kết thành chiến lược "đừng làm điều này nữa."
Những giải pháp này giải quyết vấn đề "lưu trữ" nhưng không giải quyết vấn đề "học tập."
Những gì Hermes nói với tôi sau khi cài plugin MemOS Local
Sau khi cài MemOS Local Plugin, tôi hỏi Hermes: "Bộ nhớ của bạn hiện được lưu ở đâu?"
Nó đã đưa ra một câu trả lời rất rõ ràng:
Hai dòng: Bộ nhớ tích hợp được lưu trữ trong một file JSON cục bộ, chứa những thứ tôi chủ động nói với nó: tên, vai trò, sở thích, quy tắc viết. MemOS là một hệ thống bộ nhớ dài hạn độc lập, riêng biệt, tự động trích xuất các dấu vết (event trajectories), chính sách (behavioral rules) và mô hình thế giới (world_models) từ các cuộc trò chuyện, sau đó kết tinh các quy trình trưởng thành thành các kỹ năng có thể gọi được.
Lời tổng kết của Hermes hay hơn lời giải thích của tôi: "Bộ nhớ tích hợp là một tờ ghi chú rõ ràng tôi chủ động lưu; MemOS là một bộ nhớ ngầm tự động học hỏi và tích lũy trong nền."
Đây là điểm khác biệt lớn nhất giữa MemOS và các giải pháp đã đề cập ở trên. Nó không chỉ giúp bạn lưu trữ các cuộc trò chuyện; nó tự động trích xuất các chiến lược từ quá trình bạn làm việc.
MemOS gọi hệ thống này là Reflect2Evolve. Các cuộc trò chuyện đầu tiên lắng đọng thành dấu vết, các dấu vết có giá trị được tổng kết thành chính sách (chiến lược hành vi), và các chính sách trưởng thành được kết tinh thành các kỹ năng có thể tái sử dụng. Nó không phải là "ghi nhớ những gì bạn đã nói," mà là "trích xuất cách làm thế nào để làm điều đó vào lần sau từ quá trình bạn đã làm nó."
Thử nghiệm 1: Dạy nó viết tweet
Trong vòng đầu tiên, tôi nói với Hermes thói quen viết X tweet của tôi: không dùng dấu gạch ngang, bắt đầu trực tiếp bằng một quan điểm không có lời mở đầu, mang cảm giác con người, không có mùi AI. Sau đó tôi yêu cầu nó viết một tweet về Context Engineering.
Sau khi nó hoàn thành, tôi sửa nó một lần: "Phần mở đầu này quá phẳng; hãy dùng một câu móc câu sắc bén hơn. Thói quen của tôi là ném một quan điểm hoặc xung đột trong câu đầu tiên, không có lời mở đầu."
Nó lập tức thay đổi. Câu đầu tiên trở thành: "Hot take: Prompt Engineering đã bị đánh giá quá cao." Sau đó nó trả lời: "Câu đầu tiên là quan điểm, không có lời mở đầu."
Cho đến lúc này, nó không khác nhiều so với hầu hết các trợ lý AI. Bài kiểm tra thực sự là bước tiếp theo.
Thoát khỏi Hermes. Bắt đầu một phiên mới. Lần này tôi chỉ nói một câu:
"Hãy giúp tôi viết một X tweet với chủ đề 'CLAUDE.md trong Claude Code về cơ bản là làm Context Engineering'."
Tôi không lặp lại bất kỳ sở thích nào. Tôi không nhắc nó tôi là ai.
Sau đó tôi đã thấy điều này:
Trước khi viết, nó đã làm bốn việc:
- Tự động tải một kỹ năng gọi là x-content-writing.
- Sử dụng memos_search để tìm kiếm "phong cách viết X context engineering," mất 4.7 giây.
- Tìm kiếm memos_environment và tìm thấy đường dẫn đến kho Obsidian của tôi.
- Vào kho của tôi để đọc các bài báo X tôi đã thực sự xuất bản trước đó để nắm được nhịp điệu.
Sau đó nó nói: "Được rồi, hãy viết. Sau khi đọc các bài X gần đây của bạn và nắm được nhịp điệu, tôi sẽ bắt đầu viết trực tiếp."
Đây là những gì nó đã viết:
CLAUDE.md không phải là cấu hình. Đó là Context Engineering. Mỗi dòng bạn viết ở đó, bạn đang thiết kế cửa sổ ngữ cảnh của mô hình. Cấu trúc dự án, sở thích mã hóa, điều cấm kỵ ranh giới đỏ—tất cả đều là bộ nhớ làm việc được tiêm thủ công. Prompt xử lý "lần này làm gì." CLAUDE.md xử lý "bạn là ai." Các lập trình viên backend nên hiểu điều này ngay lập tức. Microservice kéo cấu hình từ registry khi khởi động để biết chúng tương tác với dịch vụ nào. CLAUDE.md là registry của Agent. Đọc nó một lần mỗi phiên, sau đó bắt tay vào việc.
Không một dấu gạch ngang nào, câu đầu tiên ném trực tiếp một quan điểm, phép loại suy backend chảy tự nhiên, và không có kiểu mở đầu "Trong bài viết này, chúng ta sẽ hiểu..."
Nó không chỉ đơn giản ghi nhớ rằng tôi đã nói không dùng dấu gạch ngang; nó đã trích xuất một tập hợp các chiến lược viết từ quá trình thực thi và các bài báo đã xuất bản của tôi, sau đó tự động áp dụng chúng trong một phiên hoàn toàn mới.
Lần này, tôi thực sự cảm thấy nó khác biệt so với các giải pháp bộ nhớ tôi đã sử dụng trước đây.
Thử nghiệm 2: Tạo hai trang sản phẩm để xem phong cách có di chuyển giữa các dự án không
Hãy thử một nhiệm vụ quan trọng hơn.
Trong vòng đầu tiên, tôi yêu cầu Hermes tạo một trang giới thiệu sản phẩm cho ReddTrends (www.reddtrends.com) với các yêu cầu cụ thể: nền trắng kem với màu ấm, copy trực tiếp không có các từ như "trao quyền" hay "một cửa," bố cục sạch sẽ, phong cách nhà phát triển độc lập. Sau khi nó hoàn thành, tôi đã sửa copy nút CTA.
Sau đó tôi thoát ra, bắt đầu một phiên mới, và yêu cầu nó tạo một trang giới thiệu cho một sản phẩm khác, MoleUninstaller, chỉ đưa ra tên sản phẩm và mô tả chức năng, không có bất kỳ hướng dẫn về phong cách nào.
Kết quả: Trang MoleUninstaller đã đi theo một hướng hoàn toàn khác: nền tối, tiêu đề chính tiếng Anh, màu cam làm điểm nhấn—hoàn toàn khác với phong cách nhà phát triển độc lập ấm áp của ReddTrends.
Sở thích về phong cách đã không di chuyển giữa các dự án.
Điều này cho thấy bộ nhớ của MemOS không phải là một "người dùng đã nói trắng kem lần trước, vậy hãy dùng nó mãi mãi" đơn giản; nó phân biệt bối cảnh nhiệm vụ. Ngược lại, nếu bạn mong đợi nó nhớ rằng "tôi sử dụng màu ấm cho tất cả các trang sản phẩm của mình," nó chưa thể làm điều đó; việc học các sở thích ở mức độ chi tiết này có thể cần nhiều vòng tích lũy hơn.
Mở Viewer để xem nó đã học được gì
Sau khi chạy hai thử nghiệm, những thay đổi dữ liệu trong Viewer đã rõ ràng:
Từ con số 0 ban đầu lên 47 ký ức, 8 nhiệm vụ, 24 kinh nghiệm (12 được kích hoạt), 2 kỹ năng và 1 nhận thức môi trường. Tất cả được tạo tự động.
Các mục thú vị nhất trong trang kinh nghiệm:
"Chuyển đổi bài viết WeChat Official Account sang định dạng Xiaohongshu," hỗ trợ 25, đã kích hoạt. Kinh nghiệm này đã được kích hoạt 25 lần, cho thấy MemOS đã tổng kết một chiến lược từ nhiệm vụ chuyển đổi tài khoản lặp đi lặp lại.
"Xác minh qua điều hướng trình duyệt sau khi sửa đổi file" và "Xác minh không có lỗi console sau khi sửa đổi trang"—đây là những thói quen kỹ thuật được tự động trích xuất trong khi xây dựng các trang sản phẩm.
Trang kỹ năng cũng đã thay đổi:
check_obsidian_vault_path_env đã được nâng cấp từ V1 lên V2, với hỗ trợ tăng từ 1 lên 2. MemOS đã tự động nâng cấp phiên bản kỹ năng khi gặp một nhiệm vụ tương tự lần thứ hai. Đây là ý nghĩa của "Evolve" trong Reflect2Evolve: các kỹ năng không phải là tĩnh; chúng càng trưởng thành khi được sử dụng nhiều.
Ba mô hình mỗi cái đóng vai trò của nó: Xenova cục bộ cho embedding (miễn phí), DeepSeek V4 Flash cho tóm tắt (rẻ), và DeepSeek V4 Pro cho sự phát triển kỹ năng (chỉ được gọi khi cần suy luận mạnh), chỉ sử dụng các mô hình đắt tiền ở những nơi chúng có giá trị.
Tất cả dữ liệu được lưu trữ trong cơ sở dữ liệu SQLite cục bộ, và Viewer chỉ lắng nghe cục bộ, không phụ thuộc vào đám mây. Những ai đã làm việc với RAG có thể xem xét pipeline truy xuất: toàn văn FTS5 + vector kết hợp, đi qua xếp hạng hợp nhất RRF, loại bỏ trùng lặp MMR và phân rã thời gian với chu kỳ bán rã 14 ngày, sau đó được lọc bởi một LLM. Điều này phức tạp hơn nhiều so với "embedding + độ tương đồng cosine," nhưng chất lượng truy xuất là ranh giới cho việc liệu bộ nhớ có hữu ích hay không.
Một lõi, được chia sẻ bởi nhiều Agent
Một thiết kế khác đáng đề cập: OpenClaw và Hermes chia sẻ cùng một lõi Reflect2Evolve, chỉ khác nhau về bộ điều hợp. Kinh nghiệm và kỹ năng bạn tích lũy trong Hermes tương thích với OpenClaw ở cấp độ thuật toán; tài sản bộ nhớ của bạn sẽ không bị đặt lại chỉ vì bạn chuyển đổi công cụ.
Cảm nhận thực tế sau khi sử dụng
Điều làm tôi ngạc nhiên nhất không chỉ là nó nhớ sở thích của tôi, mà là trong phiên thứ hai, trước khi viết tweet, nó đã chạy một loạt các hành động: tải một kỹ năng, tìm kiếm bộ nhớ, tìm kho của tôi, đọc các bài báo trước đây của tôi, và sau đó nói với tôi "Tôi đã đọc các bài báo gần đây của bạn để nắm được nhịp điệu."
Phản ứng của tôi lúc đó là: Chờ đã, tôi đâu có yêu cầu bạn đọc các bài báo cũ của tôi.
Nhưng nó tự đánh giá rằng đây là điều đúng đắn để làm. Cảm giác này hoàn toàn khác với "giúp tôi tìm kiếm những gì chúng ta đã nói lần trước."
Về phía trang sản phẩm, nó không gây ngạc nhiên lắm; phong cách ấm áp của ReddTrends đã không di chuyển sang MoleUninstaller. Nghĩ về nó, điều đó có lý; sở thích về phong cách chỉ xuất hiện một lần, và kinh nghiệm MemOS cần một số lượng "hỗ trợ" nhất định để củng cố thành một chiến lược. Một lần là không đủ.
Vì vậy, trạng thái hiện tại là: các nhiệm vụ lặp đi lặp lại tần suất cao cho thấy hiệu quả rất rõ ràng, trong khi các sở thích không thường xuyên vẫn chưa ổn định. Nhưng tôi nghĩ hướng đi là đúng. Tôi đã viết CLAUDE.md trong nửa năm, và càng viết, tôi càng cảm thấy đây không phải là công việc dành cho con người.
Website của MemOS Local Plugin: https://memos-claw.openmem.net/
GitHub: https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Cài đặt một cú cho Agent:
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Tôi là Yanhua, tập trung vào AI Agents và phát triển độc lập cho thị trường nước ngoài. Nếu bạn quan tâm đến AI Agents, hãy theo dõi --> @yanhua1010
