AI眼镜的记忆功能，真正难做的不是“存下多少”，而是决定什么值得留下、保留多久、以什么证据回答，以及用户说“忘掉”之后系统究竟要删到哪一层。本文从一个找工牌的场景出发，拆解AI记忆的生命周期、5条遗忘规则和一套可以写进PRD的验收指标。

先做一道产品题。

早上出门前，用户找不到工牌，于是问眼镜：“我最后把工牌放在哪里了？”

系统检索到三个片段：昨晚工牌出现在玄关；半小时前用户拿着它走进书房；十分钟前桌面上出现了一个外形相似的卡套。

这时，产品应该直接回答“在书房桌上”，还是先说“我最后一次明确看到你拿着工牌进入书房”？

前一种答案更像一个聪明助手，后一种答案却更像一个可靠的记忆产品。因为系统看到过，不代表它看清了；找到了相似片段，也不代表找到了最后一次有效事件。

当AI眼镜从“看懂眼前”走向“记住过去”，产品经理面对的就不再是普通问答。系统给出的结论会参与用户对真实经历的判断，错误成本也会随之升高。

所以，AI记忆的第一版PRD不该从“支持全天记录”开始，而要先回答一个更具体的问题：一段现实信息，怎样进入记忆，又怎样退出记忆？

一、记忆功能的核心，不是存储，而是生命周期

传统相册的基本对象是一张图片，会议工具的基本对象是一段录音。AI记忆的对象则可能经历多次变化。

一块白板先被摄像头看见，随后被识别成文字，再被归纳成会议结论，其中一句话又被提取成待办。原始画面只存在一分钟，待办却可能保留一周；会议结论需要留档，路过画面则应快速清理。

如果产品只设计“写入”和“搜索”，系统很快会出现三个问题。

第一，临时信息不断进入长期记忆。用户只是随口问了一次餐厅，系统却把它当成稳定偏好。

第二，旧结论已经失效，仍在影响后续推荐。一次偶然路线，被持续理解成通勤习惯。

第三，用户删除了原视频，转写、摘要、人物关系和向量索引仍然存在。

因此，记忆产品至少需要一条完整链路：事件进入、类型判断、保存、调用、降级、纠正和删除。

图1：AI记忆的四类生命周期，制图：知序

二、先把记忆分成4类，再谈保存多久

同一条保留规则覆盖所有信息，是记忆功能最常见的产品捷径。

更实际的做法，是先根据任务价值和时间跨度划分4类记忆。

1.即时上下文

例如用户正在看菜单、组装家具或寻找出口。信息只服务当前任务，任务结束后就应自动淡出。

它的默认单位不是“天”，而是分钟。产品重点是低延迟和及时清理，不是长期召回。

2.待办与承诺

例如“周五前发方案”“回家后买牛奶”。这类信息有明确触发点，完成或过期后应关闭，必要时只保留完成记录。

它的重点是状态更新。一个已经完成的待办继续被当作未完成事项，比完全没记住更打扰用户。

3.事件记忆

例如一次会议、一次就医或一段重要对话。用户可能按人物、地点、时间和主题找回，需要保留来源和上下文。

事件不等于永久保存。产品仍要给出保留周期、访问范围和是否允许进入模型训练等边界。

4.长期规律

例如用户经常把钥匙放在玄关，或每周三下班后去健身。规律不是某一段录像，而是多次事件形成的判断。

它最容易产生“越用越懂我”的体验，也最容易因为少量样本把偶然误判为偏好。因此，长期规律必须记录样本数量、最近更新时间和反例。

三、5条遗忘规则，比“记得更多”更重要

确定记忆类型之后，产品还需要把遗忘写成规则，而不是留给用户手动清理。

规则一：没有达到写入门槛，就只做临时上下文

系统可以看见很多信息，但长期记忆必须有门槛。门槛可以来自用户明确指令、重复出现、任务价值或后续行动。

用户说“帮我记住这家店”，可以明确写入；连续几周都选择同一条路线，可以形成候选规律；只在橱窗前停留两秒，则不应直接沉淀成兴趣标签。

规则二：答案必须带证据，证据不足就降级表达

“工牌在书房桌上”和“最后一次看到工牌是在你进入书房时”对应不同的证据强度。

产品要把时间、地点、人物、原始片段和置信度变成答案的一部分。证据不足时，系统应该提供候选线索，而不是用完整句子制造确定感。

规则三：默认衰减，只有被验证的内容才升级

即时上下文自动清理，低置信度事件随时间降级，长期规律在持续命中后才升级。

这条规则能防止记忆只增不减。真正有价值的信息会因为调用、确认和重复出现获得更长生命周期，长期未使用的内容则逐步退出活跃记忆。

规则四：一次纠正，要同步影响后续判断

用户说“那个人不是客户，是大学同学”，产品不应只修改当前答案。

人物标签、相关事件摘要、搜索索引和后续推荐都要同步更新。否则用户会反复纠正同一个错误，系统却在不同入口继续使用旧结论。

规则五：删除要覆盖原始数据、衍生数据和调用权限

“忘掉刚才这段”至少涉及原始画面、音频、转写、摘要、向量索引、人物关系和第三方Agent缓存。

删除完成后，产品还要告诉用户处理了哪些层级、哪些备份正在延迟清理，以及这段记忆是否曾被其他服务调用。

遗忘不是设置页里的清理按钮，而是记忆系统的一条反向数据链路。

四、用“找工牌”跑一遍完整回路

回到开头的场景。

第一步，系统把“最后把工牌放在哪里”识别为找物任务，并锁定对象“工牌”，而不是所有相似卡片。

第二步，检索最后一次“明确拿取或放下”的事件，而不是最后一个画面相似片段。

第三步，根据证据强度返回答案。若只看到用户拿着工牌进入书房，就回答“最后一次明确看到是在你进入书房时”；若完整看到放在桌上的动作，再给出更确定的位置。

第四步，允许用户查看片段并纠正。用户发现那是门禁卡后，可以直接标记“对象识别错误”。

第五步，把纠正反馈到对象模型和索引，不让同一张门禁卡再次被当成工牌。

第六步，任务结束后清理本次临时检索上下文，保留必要的纠正结果，而不是把整段查找过程永久保存。

这条链路说明，记忆体验的质量不只取决于是否找到了答案，还取决于系统怎样表达不确定、怎样接受纠正、怎样结束一次记忆任务。

五、PRD里至少写清这6个字段

“支持记忆搜索”不是一个可以直接开发和验收的需求。

产品经理至少要补齐6个字段：记忆对象、写入条件、保留周期、证据要求、纠正范围和删除范围。

图2：AI记忆PRD检查项，制图：知序

其中最容易漏掉的是“纠正范围”和“删除范围”。前者决定错误会不会卷土重来，后者决定用户收回记忆时是否真的结束。

在需求评审时，还可以追问三个问题。

1. 这条信息在什么条件下从临时上下文升级为长期记忆？
2. 用户否认答案后，系统会修改哪些衍生结论？
3. 原始材料消失后，摘要、索引和第三方调用记录怎样处理？

只要这三个问题仍然没有答案，所谓“记住用户”就还只完成了一半。

六、别只看回答准确率，还要看错误记忆率

AI记忆的指标不能照搬普通问答。

首先看有效找回率。用户提出的真实记忆问题中，有多少最终帮助他找到物品、确认承诺或接续任务。

其次看证据定位准确率。答案对应的是不是正确时间段和最近一次有效事件，而不是语义相似的旧片段。

第三看错误记忆率。系统有多少次把人物、地点、时间和动作错误拼接。这个指标需要单独观察，因为一次错误记忆的影响往往高于一次普通识别失败。

第四看纠正闭环率。用户修改后，相关索引和后续答案是否同步变化，有多少错误在一周内再次出现。

第五看过期记忆命中率。已经完成、失效或被新信息替代的内容，仍被调用了多少次。

最后看记忆负担。每小时产生多少长期记忆，多少内容从未被使用，后台处理消耗多少电量、流量和存储。

记得越多不是成功。需要时找得准，过期后退得掉，才是记忆功能真正的产品价值。

七、第一版别做“人生录像机”，先做一个窄场景

全天记录很有想象力，却会同时放大续航、发热、隐私和信任问题。

更适合第一版的场景，通常有三个特点：发生频繁、答案可验证、记忆范围有限。

找物就是一个典型起点。系统围绕特定物品保存最后一次看见、拿取和放下，不需要理解用户整天的生活。

接续被打断的任务也适合。用户半小时后问“我刚才做到哪一步”，系统只需保留短期任务状态，完成后自动清理。

谈话中的行动项则可以从明确口令开始，例如用户说“记一下，我周五前发方案”，而不是默认分析所有交流。

新产品先在小事上证明“它记得对，也忘得掉”，比一开始承诺保存整个人生更容易建立长期信任。

八、写在最后

AI眼镜让记忆功能第一次有机会覆盖那些“当时不知道以后有用”的瞬间。

但摄像头更贴近生活，并不自动带来更好的记忆。系统需要把连续感知变成事件，把事件放进不同生命周期，在回答时给出证据，在纠正后更新判断，也在用户要求时完整退出。

对产品经理来说，关键问题不是“模型能记住多少小时”，而是“哪段信息为什么留下，又在什么时候离开”。

能记住，是模型能力。

知道该忘掉什么，才是产品能力。

参考资料

Meta研究：S-EMBER大规模流式第一视角记忆检索基准

S-EMBER论文

LightMem-Ego：面向日常生活的AI记忆系统

Meta：用AI眼镜帮助记忆障碍人群