拆解 ChatGPT 與 Claude 的記憶系統

107Shlok Khemani（Independent）19:302026-08-12 上架

Lessons from Studying Every Memory System — Shlok Khemani, Independent

Shlok Khemani 花一年逆向研究 ChatGPT、Claude 的個人化記憶，從兩家各自演進到趨同，談記憶與算力的取捨，以及真正卡住的其實是 context。

這場講了什麼

• 範圍限定在消費級個人化：memory 這個詞現在被用得很雜，Shlok 這場只談消費級 AI 應用裡的個人化記憶。
• 兩家各自演進、最後趨同：ChatGPT 從事實清單走到 running profile，Claude 從純搜尋工具走到 running profile。各自演進三年後，兩邊都有一份某種程度上可看可改的 profile，模型也都能查過去的對話。
• 細節仍差很多：ChatGPT 的 profile 有 4,000 tokens、寫得很密、每隔幾天更新；Claude 的是 1,000 tokens、用完整句子、每 24 小時更新。記憶沒有單一做法，所以不能外包，要跟產品一起長。
• 記憶是算力的函數：維護 profile 要花算力，profile 越長，每次對話的服務成本越高。ChatGPT 與 Claude 在這兩項上做了相反的取捨。
• continual learning 已經在發生：profile 影響對話、對話再寫回 profile，這個迴圈就是 continual learning，只是發生在權重之外。會不會進到權重、每人一個模型由誰付錢，Shlok 說自己還沒有答案。
• 真正的瓶頸是 context：產品拿不到足夠的脈絡，資訊互相衝突也不會察覺。Shlok 認為這是產品問題，不是技術問題。

影片從哪一段開始看11 段

1. 00:12範圍與背景這場的 memory 指消費級 AI 的個人化。Shlok 過去一年逆向研究各家產品的記憶系統，也幫不同領域的團隊設計記憶。
2. 02:05ChatGPT 記憶 v12024 年 2 月上線，把使用者要求記住的事抽成事實清單放進 context。問題是管理記憶的負擔落在使用者身上，而且當時成立的事實，過了就不一定成立。
3. 03:56ChatGPT v2 與 running profile2025 年 4 月加入 running profile，每隔幾天在背景整理新對話、更新 profile，使用者不必管理。但 profile 在設定裡看不到，泰國、土耳其這種過時的衝突資訊也還在。
4. 07:06Claude 記憶 v12025 年 8 月上線，沒有 profile 也沒有事實清單，只給模型兩個工具：依關鍵字或主題、依時間段搜尋過去對話。
5. 08:00Claude v2Shlok 發文說 Claude 的記憶架構跟 ChatGPT 相反，同一天 Claude 就加入 running profile，而且看得到、可以要求修改。
6. 09:16ChatGPT 今年的兩次更新ChatGPT 加了搜尋過去對話的工具；6 月初讓使用者看到 profile 的摘要，同時淘汰 v1 的事實清單。兩家因此趨同。
7. 10:26教訓一：沒有單一做法包括 Shlok 在內，大家原本以為記憶就是 RAG，但兩家都沒這樣做。所以記憶要自己做，頂尖的消費產品也全是自建。
8. 12:08教訓二：記憶是算力的函數成本拆成維護與服務兩項，拿不受限制的理想系統對照，說明在 GPU 受限下，兩家做了相反的取捨。
9. 13:33教訓三：continual learningprofile 影響對話、對話再更新 profile，這個迴圈就是 continual learning。Shlok 丟出幾個還沒有答案的問題：每人一個模型、資料從哪來、誰付錢。
10. 15:27抱怨：context 問題回到泰國或土耳其的例子：去泰國是跟伴侶當面決定的，信箱裡也有訂位紀錄，但 ChatGPT 不會讀，更糟的是它沒發現有衝突。
11. 17:34各家記憶互不相通每個產品各記一份，生活有變動就得逐一更新，也都讀不到 email、行事曆、照片。不過 AI 記憶才三年，還有很多可以做。

值得記的話5 句

• memory is a very overloaded term now.現在 memory 這個詞指的東西太多了00:28

• If you're a serious team, you do not outsource memory.如果你是認真的團隊，就不要把記憶外包11:31

• continual learning is already here.continual learning 其實已經發生了13:33

• There is no fundamental reason from an LLM level that these things can't be solved.從 LLM 的層面看，這些事沒有根本上解決不了的理由17:18

• when will personal AI feel like personal AI?個人 AI 什麼時候才會真的像個人 AI？18:20

名詞與人物6 個

running profile

Shlok 對 ChatGPT「User Knowledge Memories」的簡稱：系統定期整理新對話、更新一份使用者檔案，再放進每次對話的 context

dreaming

定期回頭整理新對話、更新 profile 的過程，現在不少人這樣稱呼

ChatGPT memory v1

2024 年 2 月的版本，把使用者要求記住的事存成事實清單，可以在設定裡檢視與刪除

Claude memory v1

2025 年 8 月的版本，沒有 profile，模型靠兩個工具依關鍵字或時間段搜尋過去對話

continual learning

這場指 profile 更新再影響對話的迴圈；Shlok 說它目前發生在權重之外

Guardian Angels

Gwern 最近寫的文章，細談每人一個模型的未來

提到但沒有展開

• ChatGPT 的 profile 寫得像關鍵字線索，一條塞進很多脈絡，靠前沿模型從少量資訊推出上下文。Shlok 的 profile 有 16 個段落。
• ChatGPT 的原始 profile 在設定裡看不到，Shlok 是用一段 prompt 越獄才看到的，有時要多試幾次、換不同的思考模式。
• Gemini 也有 running profile，每條記憶附有建立與最後更新的時間；Claude Code、OpenClaw、Hermes 這類 agent 則用 markdown 檔、heartbeat、知識庫、skills 來做記憶，做法完全不同。
• 不受限制的理想記憶系統：每小時或每次對話後更新，讓 Fable 帶一群 Opus subagents 維護一份 400,000 tokens 的 profile。
• continual learning 在企業層級說得通，因為模型成本攤在很多員工與客戶身上；到了個人層級就沒有這個條件。

OpenAIAnthropic產業觀察

在 YouTube 看原片 ↗