當 AI 產品開始提供跨對話記憶，很多人自然把 Personal Context 等同於 Memory：只要 Agent 記得我的名字、偏好與歷史對話，它就有了個人脈絡。這個理解只完成一半。

Memory 回答的是「過去有哪些內容值得保存」；Personal Context 回答的是「面對眼前任務，哪些與這個人有關的資訊應該進入判斷」。前者是可用材料，後者是經過選擇、排序與授權後的工作脈絡。資料曾經被記住，不代表此刻相關；與使用者有關，也不代表 Agent 有權在每個場景取用。

Personal Context 不是 Memory 的新名稱，而是把記憶、眼前狀態、可信知識與經驗放進任務決策的方式。

Memory 主要處理保存，Context 主要處理此刻

CoALA把語言 Agent 的記憶區分為工作、情節、語意與程序等角色，並與行動空間、決策流程一起討論。MemGPT則以類似作業系統的分層方法，在有限 context window 與外部儲存之間移動資訊。這些工作說明記憶不是單一資料夾，也說明保存與載入是兩個不同問題。

Personal Context 還多了一個重要條件：現在為什麼需要它。同一個人準備課程、審查程式碼與處理客戶資料時，需要的脈絡不同。喜歡簡潔文字也許適用三種任務；客戶合約內容只適用特定專案；去年的部署做法若平台已改版，就不該因為「記得」而被優先採用。

因此，Context 必須有選取規則。它至少要考慮任務相關性、資料新鮮度、來源可信度、權限、風險與 token 成本，而不是只依語意相似度找回幾段內容。

一個人的脈絡有四種不同時間尺度

為了實作，我把 Personal Context 分成四層工作分類。這不是既有標準，而是用來釐清責任的操作模型。

Profile 是相對穩定的背景

Profile 包含角色、偏好、責任、溝通方式與長期限制。它不該因一次對話就被改寫，也不應把每個臨時要求都升格為永久偏好。更新 Profile 通常需要明確確認，敏感欄位還要有更嚴格的權限。

State 是正在變動的現在

State 包含眼前目標、任務進度、未決事項、所處環境與阻塞條件。它可能幾分鐘後就改變。Agent 若只讀長期記憶、沒有重新觀察 State，很容易在已完成的步驟上重做，或把昨天的限制套到今天。

Knowledge 是能支援判斷的內容

Knowledge 需要來源、版本、適用範圍與審閱狀態。它不等於所有文件，也不等於 AI 生成的摘要。當來源更新，衍生結論必須有重新檢查的路徑。

Experience 是行動與結果的連結

Experience 保存的不只「做過什麼」，而是採取什麼行動、環境最後變成什麼狀態、成功或失敗的原因，以及哪些做法值得重用。它可以進一步形成 Rule、Skill、Memory 或 Eval；沒有結果證據的心得，只能先當候選經驗。

Microsoft Foundry Agent Memory以 user profile、chat summary 與 procedural memory 等類型處理不同用途，與這種分層思考高度呼應；但它是平台自己的公開預覽能力，不等於採用了本文四層模型，也不能替跨平台可攜性背書。

記得越多，可能讓 Agent 更危險

記憶會累積三種負債。第一是過時：舊資訊語氣確定，實際條件已經改變。第二是衝突：不同時間、不同專案的規則同時被取回。第三是污染：未經驗證的推論被反覆引用，最後看起來像事實。

LongMemEval把資訊抽取、多次對話推理、時間推理、知識更新與拒答列入評量，正好顯示長期互動的難點不只是召回。正確做法有時是找到新資訊、有時是知道舊資訊已失效，也有時是拒絕回答沒有依據的問題。

隱私也不能只靠「使用者可以刪除記憶」解決。系統要知道資料原本從哪裡來、被哪些衍生資產使用、刪除後是否仍留在摘要、規則或快取中。Personal Context 因為直接影響 Agent 行動，比一般搜尋索引更需要可見、可改、可撤回的生命週期。

從記憶功能升級成 Context Pipeline

一個可工作的 Personal Context pipeline，可以先採五個步驟：

  1. Capture：記錄候選資訊，同時保留來源、時間與範圍。
  2. Classify：判斷它屬於 Profile、State、Knowledge 或 Experience，避免全部進同一個向量庫。
  3. Select：依任務、權限與風險取出 Minimum Sufficient Context。
  4. Verify：若資訊會影響高風險行動，先回到來源或環境確認。
  5. Update：任務結束後，只把經驗證且經過審閱的內容回寫，並保留撤回條件。

Anthropic 的 context engineering 指南強調有限 context 下的選擇、壓縮與漸進揭露。這個觀點比「把所有個人資料塞進 prompt」更接近真正的工程問題：不是系統擁有多少資料，而是它能否在正確時機取得足夠、可信、獲授權的資料。

衡量 Personal Context 也不該只看召回率。更值得追蹤的是：使用過時脈絡造成多少錯誤、Agent 需要追問幾次、人工覆寫頻率、敏感資訊是否越界、任務完成後有哪些經驗真正降低下一次成本。只有這些結果改善，才能說個人脈絡提升了 Agent Experience。

Memory 是必要的材料層，卻不是終點。Personal Context 把保存的內容帶進眼前任務，也同時設下選取、授權、驗證與更新的邊界。記得更多從來不是目的；在需要的時候，用對足夠的資訊，才是。

參考來源