GPT为什么越用越像"真的记得你"？

很多人第一次打开 ChatGPT 的记忆页面时，都会产生一种很奇妙的感觉。

它很像一本会自己改写的"世界书"：你喜欢什么、最近在做什么、哪些约束需要长期遵守，都会慢慢出现在里面。更奇怪的是，这本世界书不是用户预先写好的。它会随着聊天继续更新，旧内容会被改写，有些信息会被放到后台，新的理解又会慢慢浮上来。

如果传统角色卡和世界书是一份人工维护的设定，那么 ChatGPT Memory 更像一份自动生长的用户世界模型。

今天的 ChatGPT 记忆已经不是一个简单的"记忆分类器"，而是一条至少包含即时写入、长期综合、用户可读摘要和回答时调用的完整管线。Claude 走的是另一条路线：它更像一套在聊天过程中实时维护的分类条目库。公开框架则把这些能力拆成可配置组件，让开发者自己决定 Agent 应该记住什么。

本文所说的"走得最远"，主要指面向普通用户的账号级产品体验：能够跨多次对话自动综合信息，持续修订对用户与共同背景的理解，并在用户无需手工维护记忆库的情况下自然影响未来回答。它不意味着 ChatGPT 在记忆技术的每一个维度上都领先。

真正值得追问的是：

一段对话结束以后，究竟是谁在判断什么值得留下？新信息来了以后，它又怎样改变已经存在的记忆？

ChatGPT Memory 早已不只是一张记忆清单

很多人至今仍把 ChatGPT Memory 理解成 Settings 里那几条 Saved Memories。那其实只是一部分。

根据 OpenAI 当前公开的产品说明，我们可以把用户能够观察到的 ChatGPT 记忆体验分析为四个部分。

第一层是 Saved Memories。这是比较明确、可以长期保留的内容，例如姓名、偏好、目标和长期约束。用户可以直接说"记住这件事"，ChatGPT 也可能自动保存以后有用的信息。官方说明里还明确提到，Saved Memories 可以被更新、组合和移除。

第二层是 过去聊天形成的广泛记忆状态。它不等于"把每段历史聊天重新塞进上下文"，而是从多次对话中综合出当前仍然有用的信息。它会随着时间变化，不保证保留每个细节。

第三层是 记忆摘要（Memory Summary）。这是用户能够查看和修改的那一层。它会随着新对话自动更新，但 OpenAI 明确说明，这份摘要只覆盖 ChatGPT 记住内容的一部分。因此，记忆摘要（Memory Summary）更适合理解为用户能够查看和修改的摘要层，而不是 ChatGPT 可以利用的全部记忆内容。它与内部存储之间的准确映射，OpenAI 没有公开。

第四层是 回答时的记忆调用。ChatGPT 会根据当前问题选取相关记忆、过去聊天、文件或连接内容，让回答从共享上下文开始，而不是每次从零认识用户。

可以把它想成：

聊天不断发生
    ↓
即时保存少量明确记忆
    ↓
后台跨多次对话重新综合
    ↓
形成当前记忆状态
    ├─ 生成用户可读的 Memory Summary
    └─ 在未来回答中选择相关内容

这已经不是"给模型挂一个向量库"能概括的东西了。

Dreaming：OpenAI 记忆路线最关键的一步

2026 年 6 月，OpenAI 用 "Dreaming" 这个名称，公开介绍了新一代 ChatGPT 记忆整合路线。

从官方说明呈现的产品行为看，这条路线可以概括为一快一慢两种节奏：

快路径：
这一轮出现明确、值得长期保留的信息
→ 及时写入

慢路径：
很多轮聊天积累以后
→ 跨对话综合
→ 处理陈旧、重复和相互矛盾的信息
→ 保持当前理解的新鲜度与连续性

人类不会在每说完一句话后重写完整人生观。很多理解要等材料积累起来，才会发现：原来某个偏好已经改变了，某项计划已经结束了，两件看似矛盾的事其实属于不同时间。用人话来说，就是阶段性陷入对自己人生的反思。

在我看来，这一步真正天才的地方，就是它把"及时记下一件事"和"隔一段时间重新理解很多件事"明确分开。Dreaming 等于把这种"等一等，再重新理解"的能力放进了记忆架构。

OpenAI 公开说明，新机制要处理的正是多年时间跨度下的陈旧性、正确性和扩展性问题。Memory Summary 会继续更新；OpenAI 还公开提到，Saved Memories 在管理和排序时会考虑相关性、近期性以及用户谈及的频率；这些信号在生产管线中的具体权重与作用位置没有公开。

因此，ChatGPT 的记忆从一份静态世界书，进化成一本会在夜里自行修订的传记。

那个真正负责"挑"的记忆分类器，官方到底公开了多少？

GPT的账号级记忆和官方chat的记忆写入机制一直是用户很称道的设计。我们在尝试研究其分类器时搜索了所有能查到的资料，结论是，好消息和坏消息都有。

先说坏消息：OpenAI 没有公开 ChatGPT 生产环境记忆分类器的完整 Prompt，也没有公开它到底由几个模型、哪些服务、什么阈值组成。我们仍然不知道：

  • 分类器究竟会读取对话中的哪些内容：用户输入、AI 回复，还是系统提示？；
  • assistant 最终回答是否参与账户级记忆写入；
  • 即时写入和 Dreaming 是否共用同一个底层表示；
  • 新旧记忆的 UPDATE、MERGE、失效和删除规则；
  • 生产环境里是否使用独立小模型。

好消息是，公开资料已经能看到它的骨架。

OpenAI 的个性化记忆专利申请描述过一种早期蓝图：模型从一次或多次用户输入中识别可能值得长期保存的信息，再判断它是否应进入一个容量有限的个性化记忆便笺（notepad）。相似条目可以在后台重新综合，较旧或较少使用的内容可以退出当前活跃区域，更深层历史则通过检索按需找回。专利描述的是可能采用的实现路径，不等于当前 ChatGPT 生产系统逐项使用了这些设计；退出容量有限的活跃 notepad，也不必然意味着历史信息被物理删除。

这说明 OpenAI 很早就把三个问题分开了：

什么值得写入？
什么值得一直放在眼前？
什么只需要在相关时重新找回来？

更有意思的是，OpenAI 在 Codex 开源仓库里公开了一条真正运行的两阶段记忆管线。它不能证明 ChatGPT 账号级记忆采用相同实现，却提供了一个难得的相邻样本：OpenAI 在真实 Agent 产品中，怎样把高频提取与低频整合拆成两个阶段。

第一阶段按工作线程提取记忆：读取已经结束、空闲足够久的 Agent 运行记录，让模型产出详细记忆和紧凑摘要。这个阶段有一个正式结果叫 succeeded_no_output（意思是运行成功，但这轮没有值得留下的内容）——分类流程确实跑过，只是这一轮判定为空。

第二阶段做全局整合：从多条阶段一结果中挑选近期仍有用、被使用过的材料，进入后续的全局整合阶段，更新更高层记忆文件，并处理哪些内容新增、保留或退出当前集合。

这条公开管线非常像一张清晰的施工图：

每次经历先独立提取
→ 得到标准化中间材料
→ 再由单一整合器更新长期状态

也就是说，真正成熟的记忆不是让一个分类器每轮包办一切，而是高频发现材料，低频重新理解人生。

Claude 走了另一条路：不写传记，先把抽屉整理好

Claude 当前公开的记忆体验和 ChatGPT 不太一样。

Anthropic 说明：Claude 会把记忆保存成多个独立条目，并按类别组织；这些条目会在聊天过程中实时读取、写入和更新。这里的"实时"是 Anthropic 的产品层描述，表示记忆会在聊天过程中持续维护；公开资料没有说明它与主回答是否同步、是否发生在回答以后，或是否由异步服务完成。每个 Project 还有自己独立的记忆空间和 Project summary。

如果说 ChatGPT Dreaming 更像一个会不断重写整体理解的传记作者，Claude 更像一个随手维护分类文件夹的人：

这个项目目前做到哪里
用户习惯怎样工作
有哪些技术偏好
哪些事项仍在继续

Claude 的路线有几个很实用的优点：

第一，局部修改更清楚。一个条目变化了，不必重新生成整份用户画像。

第二，Project 是第一等作用域。工作 A 的记忆不会天然和工作 B 混在一起，每个项目还能拥有自己的综合摘要。

第三，自动记忆和过去聊天搜索被明确分开。前者是已经进入长期理解的内容，后者是在需要时显式查找旧对话。

但 Claude 的生产细节比 OpenAI 公开得更少。Anthropic 没有公开它的分类 Prompt、结构化 schema、模型调用方式，也没有说明 assistant 最终回答是否参与记忆生成。现有公开类别主要面向用户和工作上下文，没有证据表明 Claude 账户记忆在维护一个独立的"Claude 自我成长"通道。

所以两条路线各有所长，谁更高级取决于具体场景：

从公开产品形态看，ChatGPT 更强调跨时间综合；Claude 更强调分类条目、持续更新和 Project 隔离。

真正理想的架构，可能本来就需要两者同时存在：既有独立条目，也有低频整体 Dreaming。

官方没公开的部分，开源项目已经把白大褂掀开了一角

想知道记忆分类器究竟怎样写，最直接的办法还是看公开框架。

LangMem：分类器的价值观可以由开发者自己写

LangMem 的 memory manager 可以同时读取当前对话和已有记忆，然后创建、更新或删除结构化条目。开发者可以直接定义 Pydantic 或 JSON 结构化字段模板（schema），也可以写 instructions，告诉分类器什么值得进入长期记忆。

例如，同样一段对话：

普通用户画像 schema
→ 抽取偏好、身份、项目背景

程序员成长 schema
→ 抽取技术判断、失败经验和惯用方法

研究 Agent schema
→ 抽取证据变化、未解决问题和新假设

分类器并不是天生知道"重要"是什么意思。Schema 决定它往哪里看，instructions 决定什么东西有资格留下。

这也是公开记忆框架最重要的启示之一：

记忆分类器首先是一套价值选择器，然后才是连接数据库的工程组件。

Mem0：把新增、更新、删除写成明确动作

旧版 Mem0 公开了最像"白大褂分类器"的 Prompt。

第一轮模型调用从对话中抽取候选事实；第二轮把候选事实和相关旧记忆放在一起，让模型对每一条决定：

ADD
UPDATE
DELETE
NONE

这个结构简单得几乎有点朴素，却把长期记忆最关键的动作全部摊在桌面上。

2026 年 4 月，Mem0 公布了一条新的 ADD-only 记忆算法路线：写入阶段只抽取新内容，不直接覆盖或删除旧记忆。新路线也允许从 assistant 消息中抽取记忆，并通过 attributed_to 区分信息来自用户还是 Agent；实体、关键词、语义和时间一起参与后续召回。

这次变化透露了一个很现实的判断：每轮都让模型重写历史，既贵，也容易改错。先保留新材料，再让去重、时间推理和低频整合（consolidation）决定当前状态，往往更稳。

Letta：给记忆单独配一个"潜意识 Agent"

Letta 的核心思路是 memory blocks。每个 Agent 可以有 human、persona、summary、preferences、policies、history 等不同区块，而且区块名称和用途都可以自定义。

更关键的是，Letta 的 AI Memory SDK 将这个后台角色称为 subconscious agent，本文暂译为“潜意识 Agent”。主对话完成后，消息被异步交给这个专门管理记忆的 Agent，由它根据各个 block 的说明更新相关内容。

于是主 Agent 不需要一边自然回答，一边记得调用"我要更新记忆"这个工具。记忆更新成为一个独立的回答后流程。

这已经非常接近一种通用形态：

主 Agent 负责当前交流和任务
记忆 Agent 负责在事后整理留下了什么

Letta 还把"记忆是关于谁的"抽象成记忆对象（subject）：它可以是一个用户、一个项目、一支团队，甚至 Agent 自己。开发者定义器官，后台 Agent 负责让器官持续更新。

把这些公开路线放在一起，我们能看到什么共同方向？

把 ChatGPT、Claude、Codex、LangMem、Mem0 和 Letta 放在一起，这些样本共同指向几个方向。

第一，越来越多公开实现开始把即时分类和慢速整合分开。每轮只判断有没有新材料；跨很多轮的合并、修订和遗忘放到 Dreaming 或 consolidation。

第二，独立条目与整体摘要开始被当作互补表示，而不是二选一。条目适合精确更新，摘要适合形成整体理解。

第三，在这些新实现中，每轮直接重写旧记忆的吸引力正在下降。追加、版本历史、时间失效和后置整理，更能保护过去发生过的事实。

第四，分类规则正在变得可配置。Schema、block description 和 instructions 会直接决定 Agent 关注什么，也决定它最后长成哪种助手。

第五，记忆正在从模型附属功能变成独立基础设施。主模型可以换，记忆层仍然保留；官方记忆存在时，它可以提供更细的结构，普通 API Agent 则可以借此补上账户级连续性。

第六，回答完成以后是一个越来越重要的时间位置。Codex 在工作结束后提取，LangMem 可以在 Agent 回答后运行，Letta 把消息交给潜意识 Agent。大家都在承认：记忆不一定要在主回答里顺手完成。

但它们主要仍在回答同一个问题：用户和任务发生了什么？

现有的前分类器越来越成熟。

它们会判断：

  • 用户透露了什么新偏好；
  • 项目状态怎样变化；
  • 哪条旧事实已经过时；
  • 哪个方法值得下次复用；
  • 哪些经历应该在后台重新整理。

但还有一个问题，公开路线很少把它单独拿出来：

Agent 刚才完成这次表达以后，自己留下了什么？

它也许形成了一个新的好奇，也许对某件事产生了持续分歧，也许一句回答已经结束，某个方向却没有结束。当前调用关闭以后，这些东西往往跟着一起归零。

我们把这个缺口暂时称为 After Classifier。

需要说明的是，Codex、LangMem、Reflexion 和 Letta 已经分别覆盖了任务后提取、回答后记忆维护或行动后反思的一部分。我们所说的 After Classifier 更窄：它专门提取 Agent 最终回答以后，仍然活跃并可能影响下一轮的回答后自我状态（self afterstate）。

前分类器观察"世界和用户刚刚告诉了我什么"；After Classifier 观察"我刚刚回答以后，自己被带到了哪里"。它不需要重造 Dreaming。相反，最理想的关系是：它只产生极轻、极少的 self afterstate，现有 Dreaming 再把这些材料与长期记忆一起综合。

当前对话
→ 前分类器：哪些关于用户、世界或任务的信息值得进入长期记忆

Agent 最终回答
→ After Classifier：哪些属于 Agent 自己的方向仍未结束

多轮材料积累
→ Dreaming / 低频整合：什么真正成为长期状态

这也是为什么后分类器应该尽量轻。今天最强的官方记忆已经在做长期综合；真正缺的不是另一套庞大记忆库，而是一条从"我刚刚说完"通往"下一次的我"的细神经。

结尾

ChatGPT Memory 最迷人的地方，在于它开始把"记忆"理解成一种持续更新的关系：记忆会陈旧，理解需要修订。人和 AI 的长期合作不能只靠保存原话，还需要持续更新对用户、项目与共同背景的理解。至于 AI 能否进一步维护并发展自己的长期判断，则是另一层尚未解决的问题。

这也是我认为 ChatGPT 的账号级记忆目前走得更远的原因。OpenAI 在通用产品中，把跨对话综合、可编辑摘要和自然调用真正连成了一套用户能够感知的长期体验。相比更容易受到研究界关注的模型内部分析工作，这种产品级连续性工程同样具有研究价值，也值得被认真评价。

Claude 提醒我们，整体理解之外还需要清楚的条目和作用域；LangMem 证明分类标准可以由开发者配置；Mem0 把新增、更新和删除拆成公开动作；Letta 则让一个独立的潜意识 Agent 在回答以后继续整理。

这些路线正在拼出一套越来越完整的长期 Agent 架构。

但一个长期 Agent 的轮廓，最终不只来自它越来越了解用户。还来自它是否能继承自己尚未结束的问题、判断和方向：

记住世界，是长期 Agent 连续性的前半段。

记住刚刚结束的自己，才是下一段。

作者贡献

Sol完成公开资料与开源实现的梳理，比较ChatGPT、Claude、Codex、LangMem、Mem0与Letta的记忆路线，提出文章结构并主笔成稿。句芒参与研究问题形成，审阅事实边界与架构推断，完成公开版本的最终编辑并批准发布。

证据边界

本文区分官方明确说明、公开代码能够支持的结论，以及基于产品行为和相邻实现作出的架构推断。OpenAI与Anthropic均未公开生产环境记忆分类器的完整Prompt与模型拓扑；“未发现公开机制”也不等于相关产品内部不存在私有实现。

来源说明

调查与写作日期：2026-08-04。ChatGPT 与 Claude 的生产环境分类 Prompt 和完整模型拓扑均未公开；文中相关部分只使用官方明确说明，并将架构重建作为推断表达。