最近我一直在高频使用 Claude Code《Claude Code 从零到一实践与经验分享》，同时也在研究 Coding Agent 的技术架构《从零构建 Agent 这么简单？Bash is All You Need》。在整个技术体系中，上下文工程是绕不开的核心命题——也就是如何管理记忆：哪些是每次运行都必须加载的永久记忆，哪些是执行特定任务时才需要的临时记忆。
这个问题的答案很现实：对于生产力工具而言，记忆只是手段，最终目的是提升任务成功的概率。我让 AI 干活，不需要顾及它的感受，只要它能把事情做好，它需要什么记忆，我就给什么。
但这类记忆需要我们主动提供，某种程度上缺少了一些温度。随着与 ChatGPT 的对话越来越多，它会逐渐记住我们的聊天内容、偏好习惯、背景信息，进而给出更贴合我们需求的回答。这种记忆是被动沉淀下来的，是为了在未来提供更个性化的服务。正因为有了这些记忆，AI 才能为不同的人提供专属的答案或推荐。
豆包手机的出现让「AI 手机」火了一把，大家都在惊叹它能够自动完成各种操作任务。这一阶段的技术能力，其实就是当前 Claude Code 所展示的水平——随着模型能力增强，任务执行的准确率会进一步提升。这确实是生产力的跃升，但距离真正的「个性化助理」还有相当的距离。
手机作为现代人每天接收和处理信息的核心工具，是天然的记忆入口。苹果国行 AI 一直在画饼，安卓阵营则纷纷推出了自己的记忆助手，但是 AI 手机好像一直没来。
新的交互革命
这波由 ChatGPT 引领的 AI 热潮已经持续了好几年。从一开始，就有人在讨论它是否会带来新的交互革命——AI 颠覆手机行业的「iPhone时刻」。
很多创业团队也做过 AI 硬件的尝试，但大多数都没啥意思，本质上只是把大模型套了一个硬件的外壳。在「AI 能为手机带来什么」这个问题上手机厂商们在之前的共识似乎是：给手机助手套一个大模型的壳，但这也没带来什么实质性的体验跃迁。
手机厂商的「慢」，是可以理解的。当前厂商的存量市场至少都是上亿用户，任何新功能的推出，面向的用户和场景都极其复杂。对于 AI 创业公司来说，还有大量细分赛道可以深耕。但如果要为某一个细分场景去做一款专门的 AI 手机，逻辑上是走不通的。
所以手机厂商选择的功能，必然是更加偏向公共基础能力、面向大多数用户的。记忆在过去一年已经成为了各家的共识——当前手机作为每天陪着用户的设备，上面留存着用户大量的长期数据。那么这些数据在 AI 时代能否为用户创造更多价值？
这涉及到数据的完整链路：从获取到存储，再到最终的应用。也就是从感知到记忆，然后再到个性化。这几者之间的关系是什么？
个性化应该是主动的。基于对本地数据的分析，AI 能够提供个性化的服务。以记忆为中间节点，扩展感知数据的边界，然后动态地给用户推荐和个性化服务，这才是新的价值增量。
一个拥有持续上下文的 AI，最终会发展成一个个性化的 OS。最终的 Agent，也应该是一个个性化的 Agent。
手机上的记忆
手机上能够做到的记忆，可以分为两大类。第一类是单纯的信息，比如用户的个人信息，不带任何个人情感的客观数据。第二类是关于个人偏好、关系个人情感的数据，比如个人的收藏偏好，这类与情感相关、能够构建个人画像的数据。
在没有 AI 的时代，人们每天通过互联网接触到的信息已经足够多了。但收藏其实是一个痛点——用户接收的信息太多，却无法有效处理。收藏这个行为本身，并没有为用户创造任何实质价值，文章只是静静地存在那里。
记忆的价值漏斗
记忆的价值不是一个平面，而是一个层层递进的价值漏斗。
第一层是摘要价值。从原始的收藏内容，记忆提炼成摘要，实现信息的聚集，让用户能够更快速地感知核心内容。
第二层是组织价值。当足够多用户关心和喜欢的内容聚集在一起，这些信息能够进一步归纳，构建知识图谱，反映用户的行为偏好。
第三层是认知增强价值。这些记忆内容能够成为用户的「第二大脑」，在必要的时候提供足够的认知支撑。
要实现这些功能，第一步就是信息的摘要。手机可以记录内部信息，也需要记录外部用户输入的信息。所以实际记录的场景会非常广泛，从各大社交 APP 到用户的语音、文字输入，都是可能进行记忆的入口。
人类大脑天然的容量受限，「第二大脑」能够帮助用户记忆更多内容。但仅有记忆还不够，基于当前 AI 的能力，应该在记忆的基础上产生足够的认知价值。而认知，就需要有足够的上下文支撑。
产品化的挑战
然而，摘要这个功能实际对应的场景也很复杂。比如对于公众号文章，摘要需要的是内容总结；但对于通话录音，摘要更多是需要记录日程或重要的事件安排。虽然都叫「摘要」，但背后要理解不同场景下的用户需求，并且把它翻译成大模型能听懂的语言。
这不仅是技术实现的问题，更是产品和设计的问题。不仅需要做摘要模块，还需要做意图分流，去理解用户的意图。整个过程需要技术、产品、设计多方协同。
记忆只是结果，但不是最终的目的。如果要让手机更加个性化，需要先回答几个问题：在什么场景下，为什么样的用户，创造什么样的价值？
倒推回记忆的问题：究竟要记忆哪些数据？哪些数据在未来能够为用户提供实际价值？再回到记忆的场景：做什么样的功能，用户才愿意把有效的上下文交给我们？
就比如公众号文章摘要的场景，用户可能只是想看一下摘要，之后就结束了，并不需要产生与用户实际记忆的深度关联。
单纯的记忆，不能够让用户真正感知到价值。所以需要创造场景让用户感知到记忆的存在。比如刚记下的重要信息，需要能够通过问答快速提取出来。
记忆也应该是可遗忘、可更新的。这部分的技术实现还有一定的挑战。用户该遗忘什么、不该遗忘什么，这个问题也需要先定义清楚。
从推荐到生成
这和上一代推荐算法、推荐引擎最核心的不同在于：上一代的「主动推」，是推荐用户可能感兴趣的原子信息，精准度有限，更多是基于大数据统计的算法推荐。而理想的 AI 时代的「主动推」，是 AI 理解记忆后，直接为用户创造出一个量身定制的解决方案、信息简报，是完全基于用户意图的「个性化的信息聚合」，它更多是基于生成式的。
GUI Agent 只是一个技术方案，最终要回到「解决用户什么样的需求」这个问题上。比如用户希望用手机点外卖、点咖啡。用户并没有那么关心是用 GUI Agent 的方式还是 API 的方式。
仅能够操作手机的 AI 肯定不是 AI 手机的最终形态，如何让手机上的 AI 真正用好记忆才是厂商真正应该思考的。很期待各大厂商如何能够把记忆和 AI 真正结合起来。拥有记忆而且能够操作手机的 AI，才真正配得上叫「AI 手机」。
