OpenAI 近日宣布对 ChatGPT 的记忆系统进行重大架构升级，在长期上下文保留、用户偏好跟随以及跨时间的准确性等方面都有明显提升，并强调这一版本在算力效率上也更为优化。新系统首先面向美国地区的 ChatGPT Plus 和 Pro 订阅用户开放，未来几周将逐步扩展至更多国家以及 Free 与 Go 用户。 所谓“记忆”功能，是指 ChatGPT 能自动或按用户指示，长期保留对话中的有用信息，包括用户的个人偏好、正在推进的项目以及各类约束条件，从而避免每次开启新对话都要从零介绍背景。借助这些持久化信息，系统在后续对话中可以更好地“延续上下文”，提供更贴合用户习惯和需求的回答。 OpenAI 最早在 2024 年 2 月推出“保存记忆”功能，允许用户明确要求 ChatGPT 记住某些信息，例如旅行计划、写作风格偏好等。不过，这一初代方案存在明显局限：一方面高度依赖用户主动下指令保存信息，另一方面，存入记忆的信息如果长期不更新，就容易过时或失效。 到了 2025 年 4 月，OpenAI 将记忆能力扩展到“保存列表”之外，开始允许 ChatGPT 自动引用过去的聊天内容作为记忆来源。这一阶段的关键基础设施是名为“Dreaming（梦境）”的后台进程，它会在用户不感知的情况下，从历史对话中自动筛选、整理可用信息，形成记忆条目。借助这一机制，系统可以从自然对话中持续学习，无需用户每一次都明确说明“请记住这一点”。 此次发布的升级则是在“Dreaming”机制之上进一步重构记忆架构，使之更“能记、会用、记得久、算得省”。OpenAI 内部评估数据显示，新系统在事实回忆、偏好遵循以及随时间推移的准确性方面，均较 2025 年版本有显著提升。具体而言，事实回忆率从 2025 年的 67.9% 提升至 2026 年的 82.8%，对用户偏好的遵循度从 55.3% 提升到 71.3%，而跨时间维度的准确性则从 52.2% 提升到 75.1%。 在用户体验层面，本次升级带来的一个直观变化，是新增了“记忆概览页面”。用户可以在这一页面集中查看 ChatGPT 当前保存的各类记忆条目，并可直接对其进行更新、更正，甚至下达“在何种情境下应当主动提及哪些话题”的指示。这一设计在提升透明度的同时，也为用户提供了更细粒度的控制权，降低长期使用中记忆过时或偏差累积的风险。 OpenAI 表示，这一更强大的记忆系统将首先向美国地区的 ChatGPT Plus 和 Pro 用户推送，并已自即日起开始上线。公司计划在未来几周内，将该系统逐步推广至更多国家和地区，并覆盖 ChatGPT Free 与 Go 用户，使更大范围的用户群体都能在日常使用中体验到更“懂自己”的对话式 AI。 查看评论
IT之家 6 月 5 日消息，OpenAI 公司昨日（6 月 4 日）宣布升级 ChatGPT 记忆功能，新系统基于 Dreaming V3 机制， 重点改善记忆过时、准确性和大规模服务能力 。 ChatGPT 记忆系统原本用于记住用户偏好和长期信息，从而减少每次对话都要重新说明背景的麻烦。 ChatGPT 的记忆功能最早在 2024 年 4 月上线，当时主要是 saved memories（保存记忆）。这套机制依赖用户明确提出“记住某件事”，系统只在对话中写入少量信息。 2024 年 4 月首次推出 到 2025 年 4 月，OpenAI 首次把 Dreaming 引入 ChatGPT 记忆系统。与保存记忆不同，Dreaming 能借助后台流程参考聊天历史，自动筛选并整理与用户相关的内容，不再过度依赖“请记住”这类强提示。 过去 1 年里，这套能力一直作为保存记忆的补充，显著提升了个性化效果，也缓解了旧记忆陈旧的问题，但当时还不足以单独支撑完整记忆系统。 而本次升级的重点，是把 Dreaming 升级为更成熟的底层架构。OpenAI 用 3 个标准衡量“好记忆”：一是延续有用上下文，二是遵循用户偏好和限制，三是能随时间自动更新。 官方以 2024 年的保存记忆、2025 年的保存记忆加 Dreaming V0，以及 2026 年的 Dreaming V3 作对比，IT之家附上相关对比数据如下： 在运行机制方面，OpenAI 表示本次升级围绕着 dreaming 展开，重点针对记忆容易过时、内容准确性不足，以及面对数亿用户和多年使用周期时的扩展压力优化，在原有基础上更强，也更节省计算资源。 新系统会自动整合重要细节，并把生成的记忆以摘要形式展示在记忆摘要页。用户可以快速查看 ChatGPT 掌握了哪些关于自己的信息，也能补充、修改个人资料，以及告诉 ChatGPT 哪些话题该在什么场景下提起。如果想了解某项记忆的细节，用户还能直接与模型对话追问。 在开放范围上，美国 Plus 和 Pro 用户昨日起可以体验新版记忆系统，同时记忆容量提升至原来的 2 倍。 OpenAI 表示，近期改进已把 Dreaming 服务 Free 用户所需算力压低至五分之一，因此终于能在质量达标的前提下向免费用户推广。
为什么我感觉最近两天自己的claude变笨啦。用的any站opus4.7。是自己的prompt污染了吗？还是记忆系统混乱啦。之前明明5步能做好的事情，现在要20步。还有佬们都用什么skills啊，感觉ecc太重了。很多都用不到 3 个帖子 - 3 位参与者 阅读完整话题
简单实现了提示词和记忆系统： 分层提示词 ：系统提示词不是一整段写死的字符串，而是由 ContextManager 按层、按来源动态组装。人格与角色（ L0 ）、工具能力与策略模板、运行环境、活跃项目、用户自定义指令、会话附件与工具历史等，各自对应独立的 ContextSource ，每轮并发解析后经预算压缩拼进 system prompt 。稳定层会算出 stable_hash ，方便 DeepSeek 等提供商做 prompt cache ，长会话里能省不少 token 。 认知记忆系统 ：参考「情节 / 语义 / 程序」三类长期记忆划分——情节记忆记录过往轮次的蒸馏摘要（发生过什么），语义记忆存放用户偏好与工作区稳定事实（知道什么），程序记忆按工具链签名沉淀成功模式（怎么做更有效）。 RetrievalPipeline 对三库做语义 + 词法混合召回，在 prepare_turn 时按需注入提示词，并配合会话压缩控制上下文占用。 欢迎交流学习 - GitHub： github.com/vixues/LeAgent 桌面整理 聊天入口 系统工具 完整 deepseek api 支持 宠物形象
简单实现了提示词和记忆系统： 分层提示词 ：系统提示词不是一整段写死的字符串，而是由 ContextManager 按层、按来源动态组装。人格与角色（ L0 ）、工具能力与策略模板、运行环境、活跃项目、用户自定义指令、会话附件与工具历史等，各自对应独立的 ContextSource ，每轮并发解析后经预算压缩拼进 system prompt 。稳定层会算出 stable_hash ，方便 DeepSeek 等提供商做 prompt cache ，长会话里能省不少 token 。 认知记忆系统 ：参考「情节 / 语义 / 程序」三类长期记忆划分——情节记忆记录过往轮次的蒸馏摘要（发生过什么），语义记忆存放用户偏好与工作区稳定事实（知道什么），程序记忆按工具链签名沉淀成功模式（怎么做更有效）。 RetrievalPipeline 对三库做语义 + 词法混合召回，在 prepare_turn 时按需注入提示词，并配合会话压缩控制上下文占用。 欢迎交流学习 - GitHub： github.com/vixues/LeAgent 桌面整理 聊天入口 系统工具 完整 deepseek api 支持 宠物形象
简单实现了提示词和记忆系统： 分层提示词 ：系统提示词不是一整段写死的字符串，而是由 ContextManager 按层、按来源动态组装。人格与角色（ L0 ）、工具能力与策略模板、运行环境、活跃项目、用户自定义指令、会话附件与工具历史等，各自对应独立的 ContextSource ，每轮并发解析后经预算压缩拼进 system prompt 。稳定层会算出 stable_hash ，方便 DeepSeek 等提供商做 prompt cache ，长会话里能省不少 token 。 认知记忆系统 ：参考「情节 / 语义 / 程序」三类长期记忆划分——情节记忆记录过往轮次的蒸馏摘要（发生过什么），语义记忆存放用户偏好与工作区稳定事实（知道什么），程序记忆按工具链签名沉淀成功模式（怎么做更有效）。 RetrievalPipeline 对三库做语义 + 词法混合召回，在 prepare_turn 时按需注入提示词，并配合会话压缩控制上下文占用。 欢迎交流学习 - GitHub： github.com/vixues/LeAgent 桌面整理 聊天入口 系统工具 完整 deepseek api 支持 宠物形象
简单实现了提示词和记忆系统： 分层提示词 ：系统提示词不是一整段写死的字符串，而是由 ContextManager 按层、按来源动态组装。人格与角色（ L0 ）、工具能力与策略模板、运行环境、活跃项目、用户自定义指令、会话附件与工具历史等，各自对应独立的 ContextSource ，每轮并发解析后经预算压缩拼进 system prompt 。稳定层会算出 stable_hash ，方便 DeepSeek 等提供商做 prompt cache ，长会话里能省不少 token 。 认知记忆系统 ：参考「情节 / 语义 / 程序」三类长期记忆划分——情节记忆记录过往轮次的蒸馏摘要（发生过什么），语义记忆存放用户偏好与工作区稳定事实（知道什么），程序记忆按工具链签名沉淀成功模式（怎么做更有效）。 RetrievalPipeline 对三库做语义 + 词法混合召回，在 prepare_turn 时按需注入提示词，并配合会话压缩控制上下文占用。 欢迎交流学习 - GitHub： github.com/vixues/LeAgent 桌面整理 聊天入口 系统工具 完整 deepseek api 支持 宠物形象
如题，比如今天有什么任务/日程安排，明天有什么任务/日程安排，下周星期几有什么日程安排，昨天的日程，上周的日程.. 然后日程安排可被更新细节，日程安排取消后会记住该日程已被取消或从记忆里移除 是否有不调用其他todo/日程接口，然后能有效记录时序安排，不会时间错乱和幻觉的记忆系统？还是目前没法？ 不要说调用第三方todo/日程接口不就可以了，只是想探讨记忆系统能做到的边界在哪 1 个帖子 - 1 位参与者 阅读完整话题
Hermes Memory Installer 2.0 — 为 AI Agent 注入长期记忆的开源工具。基于 Hermes Agent ，引入 gbrain 知识图谱引擎 + PostgreSQL ，实现 FTS5/向量/图三路检索。自动归档会话、语义召回、自进化。一键安装，零侵入部署。让 AI 真正记住你。 🔗 https://github.com/mage0535/hermes-memory-installer
给 Hermes Agent 写的记忆系统一键安装包。三层技能架构（ Memory 注入 + Skill 自动挂载 + File 深度归档），底层用 SQLite FTS5 做全文检索，零侵入，30 秒装完。 自己做 AI Agent 踩了长期记忆的坑，把整套方案抽出来开源了。 三层架构 + SQLite FTS5 全文检索，零侵入，30 秒就能装完。 想听听大家的意见，你们做记忆检索都是怎么处理的？求指点，欢迎 star~ 🔗 https://github.com/mage0535/hermes-memory-installer
个人总结，所谓的智能体自动记忆系统，都是垃圾【看标签】，还有自动skill等。 自动记忆无非就是从对话中，再消耗大量token去总结对话，形成类似claude.md\agent.md\memory.md的文件，但是这些文件真的能有多少帮助，我个人体感下来，并没有多少，还不如自己多多总结写几个skill来的更直接，也就省掉了大量的token，毕竟token就是钱，不要不拿token当钱来花。 好的，接下来就继续说skill，本来skill就是一个很严谨的东西，skill的定义是最佳实践。啥叫最佳实践，那得是经过实际验证的东西，而不是靠总结就有用的。为啥现在这么多垃圾skill，原因大抵也是如此。 补个刀： 一切带“自动”两个字的智能体，背后将由大量的token承担，你有钱你可以任性。 9 个帖子 - 9 位参与者 阅读完整话题