大语言模型无持久记忆，每次API调用均为无状态。对话中的“记忆”实为应用层在每次请求时重新发送历史消息、摘要或检索结果。上下文窗口是容量有限、成本随对话增长的临时工作记忆。为扩展记忆，应用常用滑动窗口、对话摘要、结构化提取、向量检索和用户画像等技术；跨会话记忆仍需将信息重新注入上下文。

Kimi K3模型采用KDA机制，通过0.22GB的在线学习状态矩阵在对话中实时更新记忆，实现跨会话持续学习。它删除位置编码，用衰减体现顺序，支持泛化联想。未来可通过状态保存、分层记忆和外挂数据库，让AI记住用户，但容量扩大面临延迟和工程挑战。

文章探讨AI协作中“共享先验”的重要性，指出每次新会话从零开始会重复解释背景，浪费上下文。建议用本地知识库（如Markdown和Git）保存原始材料、用户确认和AI推断，实现跨会话记忆。强调记忆需由人掌握，可追溯、可更新，避免AI自我强化。最终，长期价值在于建立可检查、修正的共同历史，而非依赖单次对话。

NovaSpine是一个开源工具，通过混合检索和结构化记忆机制，提升AI的跨会话记忆能力。它将聊天记录压缩为可检索的结构化记忆，解决了AI无法记住历史经验的问题。NovaSpine的命令设计模拟人类记忆行为，支持记忆的写入、检索和重组，提升了检索质量和记忆升级，使AI更接近人类认知。

通过Opus 4.6与GPT 5.4的互评，设计了三层记忆架构OpenClaw，以解决AI记忆问题。该系统实现分层存储、检索与跨会话记忆，强调多层堆栈的有效性，提升AI协作设计能力。