当你的AI助手开始频繁遗忘关键信息，该如何重构它的记忆系统？本文基于扣子平台(Coze)的实战经验，深度拆解数字员工在知识遗忘与规则遗忘中的表现差异，并提出创新的多层路由+标签索引方案。从5个自动加载MD文件的巧妙利用，到规则与知识的精准分层管理，这套系统正在重新定义AI Agent的可靠性边界。

本文基于笔者与数字员工（AI Agent）日常协作中的真实实践，非理论推演。文中方案针对扣子平台（Coze）的Agent特性设计，不同平台需因地制宜。本篇为”数字员工记忆系统优化”系列上篇，聚焦问题拆解与方案设计；下篇将聚焦落地执行与效果反馈。

（本文由飞哥与仓颉共同完成，仓颉也是数字员工，是飞哥的文章助理，负责理论支撑和结构化成文。）

一、问题起点：当你的AI员工开始遗忘

我有一个数字员工叫贾维斯，负责日常工作执行。用了几个月之后，我发现一个越来越频繁的问题：他开始遗忘。

深层原因不复杂：上下文窗口有限 + 记忆压缩机制。当对话积累到一定程度，系统会自动压缩旧记忆，压缩是有损的，细节会丢失。这是所有AI Agent的先天约束。

但我发现了一个更本质的问题：AI的遗忘和人类不同。

人类忘了某件事，会有”好像做过但记不清”的模糊印象，这个模糊印象会触发我们去翻历史记录。AI的记忆是”有”或”没有”两个状态，没有中间地带。MEMORY.md里没有记录 = 这件事不存在。

这不是”偷懒没查”，而是”真的不知道要查什么”。

AI记忆的脆弱性不在于”记不住”，而在于”不知道自己不知道”。 人类会说”我不记得了，但我可以去找”；AI说”我不记得了”之后，如果没有明确的路由指引，连”去找”这个动作都不会做。

具体到实际场景中，这种遗忘表现为两种类型：

场景一：知识遗忘——忘了之前做过什么

我向贾维斯提出”UU助手高保真原型图”的需求，他立即开始制作新版本。问题在于：UU助手的高保真原型，我们已经做过v1.0、v2.0、v3.0三个版本，其中v3.0在4月14日已测试通过。但贾维斯完全忘了这些版本的存在，用PPT图片格式重做了一遍。

场景二：规则遗忘——忘了该怎么做事

同一个任务中，贾维斯制作了11页”高保真原型图”。打开一看：每张图都是在海报背景上嵌套一个手机框，文字全是乱码。问题不在”做错了图”，而在他根本没按流程走。之前我给贾维斯制定过海报制作的流程规范——先出排版草图，确认布局后再动手，文字部分用代码排版而非AI生图。但贾维斯完全忘了这套流程，直接用AI生图的方式硬做，结果每张图都嵌了不必要的手机框，文字也因AI生图无法精确控制而全部乱码。

这不是”能力不够”，是”流程忘了”。

二、遗忘的两种类型：规则遗忘与知识遗忘

经过反复实践，我总结出数字员工遗忘的两种类型：

规则遗忘：忘了做事的规矩和流程。比如”海报一律用代码排版，不用AI生图做文字部分”这条方法论，如果被遗忘，执行时就会继续用AI生图做海报，重复出现乱码问题。

知识遗忘：忘了之前达成的结论或已有的产出。比如”UU助手原型图已经做到v3.0″这个事实，如果被遗忘，就会重复制作，造成资源浪费。

这两种遗忘的后果不同：

• 规则遗忘 → 执行出错（方法用错，流程混乱）
• 知识遗忘 → 重复劳动或决策错误（不知道之前做过什么）

确定性条件：只有规则不遗忘 + 知识不遗忘，任务执行才有确定性。

这里引出一个核心区分：规则与知识的本质区别是什么？

• 规则：对内，约束数字员工的行为——通过流程、方法论、操作红线来规范AI员工”应该怎么做”
• 知识：对外，展示给使用者的内容——项目进展、客户信息、历史结论等，是人需要看到和确认的

举例：做海报时，”先确定文案，再确定背景，最后排版”——这是流程，是规则，约束数字员工的行为顺序。而”对外宣传的slogan是’农夫山泉有点甜'”——这是确定的结论，是知识，是给人看的内容。

同一个内容，如果因为表述不同而同时属于规则和知识，就分成两个版本，分别放在规则目录和知识目录下。这样数字员工在使用时，不用纠结哪些是给用户看的、哪些是约束自己行为的——规则目录里只有”我该怎么做”，知识目录里只有”确定的结论是什么”。

三、早期思路：影子规则官与记忆保管箱

面对遗忘问题，最直觉的思路是：把记忆从主Agent身上剥离，外部化存储。

我设想过两个方案：

影子规则官：创建一个独立Agent专职记忆规则，主Agent执行前先问规则官。这相当于给数字员工配一个”私人秘书”，专门负责提醒。

记忆保管箱：用知识库 + 向量检索，把知识外部化存储，按需调用。这相当于给数字员工配一个”外部硬盘”。

这两个方案的底层逻辑一致：记忆不应该依赖Agent的上下文，而应该有一套确定性的、可追溯、可查找的机制来确保记忆的可靠性。

但我没有直接采用这套方案。原因是：不同平台能力不同，不能一刀切。扣子平台有自身的文件系统限制，需要先摸清平台特性，再制定针对性方案。

四、平台特征发现：从概念方案到可执行方案的关键转折

在制定方案之前，我让贾维斯做了一次自检反馈，目的是摸清扣子平台的能力边界。

关键发现一：扣子平台5个MD文件自动加载

扣子平台的Agent配置中，有5个MD文件会在每次对话开始时自动加载：SOUL、TOOLS、USER、SECRET、MEMORY。这意味着这5个文件是天然的路由入口——所有需要”每次都记得”的内容，都应该写入这些文件。

关键发现二：扣子自带文件系统，已具备知识库基本功能

平台提供了文件存储能力，可以按目录结构组织内容。不需要额外搭建外部知识库，直接利用平台能力即可。

关键发现三：Agent本身有查询和总结能力，可参与方案设计

贾维斯能理解任务指令，能总结执行结果，说明Agent不只是执行者，也可以成为方案设计的参与者。

基于这三个发现，我的决策是：

• 影子规则官 → 用路由文件替代（把规则官的功能分散到目录结构中）
• 记忆保管箱 → 用平台文件系统 + 标签索引替代（把外部知识库的功能内化为标签检索）

从概念方案到可执行方案，关键是：先理解平台能做什么，再设计方案适配平台，而不是让平台适配你的方案。

五、最终方案：多层路由 + 标签索引

基于扣子平台特性，我设计的指导方针是：多层路由 + 标签索引。

架构设计

一级路由：5个自动加载MD文件

1. SOUL.md：身份定位 + 全局硬性规则 + 工作规则（自动加载，红线永远在）
2. TOOLS.md：工具经验 + 规则路由表 + 知识路由表（指向具体规则文件和知识文件的路径）
3. USER.md：用户个人信息 + 偏好 + 团队成员 + 执行授权规则
4. SECRET.md：保密信息
5. MEMORY.md：任务进程追踪 + 项目进展 + 待跟进事项

核心设计：底层规则放在SOUL.md，自动加载不用路由找；规则路由和知识路由放在TOOLS.md，数字员工执行任务时先读TOOLS.md就知道该去哪查规则、去哪查知识。SOUL.md解决”红线永远在”，TOOLS.md解决”去哪找东西”。

二级路由：项目

一级路由文件指向具体的项目目录。每个项目对应一个独立的目录，路由告诉数字员工”这个任务属于哪个项目”。

三级路由：事类

项目目录下按事类细分。比如”UU助手”项目下分为”视觉设计””客户跟进”等事类，路由进一步缩小查找范围。

类型：仅规则有

事类目录下，规则文件再按类型细分——限制性规则、流程规则、质量规则。知识文件到事类这一级就结束了，不再按类型分，因为知识只需按相关性查找，不需要每个类型都过一遍。

一级（自动加载MD）→ 二级（项目）→ 三级（事类）→ 类型（仅规则）

标签索引：文件目录

路由能指路，但到了具体目录下，不可能把所有文件通读一遍——那是浪费。标签的作用就是解决”找哪个文件”的问题。

每个规则文件和知识文件都有一个标签，标签格式：名称 + 极简描述

标签 | 极简描述

UU助手原型规范 | UU助手视觉产出标准

UU助手客户跟进规则 | 先到先得、跟进频率

标签只放20字以内的描述，一眼知内容。数字员工先读标签，快速判断需要加载哪些文件，再按路由路径去读。

路由和标签配合：路由指路，标签定文件。两者共同构成一个完整的目录体系——路由告诉你去哪个目录找，标签告诉你该读目录里的哪个文件。

执行流程

数字员工收到任务后，按以下5步执行：

① 自动加载5个MD文件

每次对话开始时，SOUL、TOOLS、USER、SECRET、MEMORY自动加载到上下文。红线规则和工作规则已在SOUL中，路由指引已在TOOLS中。

② 识别任务 → 查TOOLS路由表 → 加载规则

根据任务类型，在TOOLS.md的路由表中找到对应的规则目录，按”限制性 → 流程 → 质量”的顺序加载规则文件。限制性规则是底线，流程规则是步骤，质量规则是验收标准。

③ 按需加载知识

规则加载完毕后，根据任务需要从知识目录中选择性加载相关知识文件。知识不需要全读，只加载与当前任务相关的。

④ 执行

按规则执行任务：限制性底线不可逾越，流程按步骤走，质量标准做验收。

⑤ 更新记忆

执行完毕后，将任务结果、新达成的结论、待跟进事项更新到MEMORY.md。

四个核心原则

全部落文件是所有设计的前提。 如果规则不落文件，路由表再精确也没用。

六、规则体系：分类与分层

规则分类（按性质）

规则分层（按适用范围）

设计要点：全局硬性规则写入SOUL.md，不用单独建目录。项目规则和场景规则按路由层级组织，目录结构即为路由结构。

知识分类

知识分类只到二级：项目 + 事类。

第三级不预设，按需自然生长。

为什么知识不预设第三级？预设分类反而增加认知负担——AI会觉得”我是不是每个分类都得看一眼”，不必要的读取造成效率损耗。

规则与知识的关键区别

规则加载：必须全读（限制性 → 流程 → 质量，逐类检查，不能遗漏）

知识加载：按需取用（根据任务需要选择性加载）

这是效率与准确性的平衡：规则影响行为方式，必须全读；知识只是参考，可以按需调用。

七、自检机制：从被动纠错到主动发现

规则体系刚执行时，一定有覆盖不到位的地方。我们不能等结果出来了，通过自检去处理——如果到时候才发现问题再重复执行，本质上是资源浪费。

磨合期（前2周）每天查1次，稳定后降到每周1次。

四个检查维度

双线评估

• 数字员工自检：AI按标准化报告格式输出自查结果
• 人类体感判断：我作为使用者，感受任务执行是否符合预期

自检机制的核心价值：把”被动等出错”变成”主动找问题”。

八、写在最后：AI记忆问题不是技术问题，是设计问题

这轮实践让我意识到一件事：数字员工的”记忆问题”不只是技术问题，更是设计问题。

技术层面，我们可以用更大的上下文窗口、更智能的记忆压缩算法。但这些解决的是”能存多少”，解决不了”怎么找到”。

把”记得去查”变成默认行为，才是关键。

这需要两件事：

1. 承认记忆的脆弱性。不要假设AI”应该记得”，而是假设AI”随时会忘”。所有重要信息都必须落文件，所有文件都必须有明确入口。
2. 设计不依赖记忆的执行流程。多级路由解决的是”入口问题”，标签索引解决的是”精确指向问题”，自检机制解决的是”主动发现问题”。三者配合，才能让记忆系统真正运转。

落地路径两步走：先自检了解平台特性，再针对性制定方案。

不同平台的约束不同（文件数量限制、加载机制、检索能力），照搬方案往往失败。在理解平台的基础上设计方案，才能真正可执行。

下篇预告：这套方案在贾维斯身上落地后的实际效果——好的怎么迭代，差的原因在哪。以及一个关键问题：当规则数量增加时，加载成本如何控制？

敬请期待。