AI 角色扮演的記憶：你的角色為什麼會忘記（以及什麼才真正有用）

Replika 的官方說明中心宣稱它「會保留從一開始到現在的所有內容」。但拆解分析說的卻是另一回事：模型其實只看得到大約最後 25 則訊息，再早的全都躺在你的帳號裡，AI 在推論當下根本讀不到（thredly.io）。歷史紀錄是存下來了，卻沒有被記住。問題的全部癥結，就在這道落差。

如果你曾經告訴某個角色你的名字、你的背景故事、你們在第一天一起決定的某件事，然後看著它在五十則訊息之後一臉茫然，你就親身體會過這種感覺。聊天紀錄明明就在你的螢幕上，模型只是沒在看而已。

AI 角色為什麼會忘記

語言模型並不像你一樣，對整段對話保有一份持續更新的記憶。每一個回合，它都會讀進一塊固定大小的文字，這塊文字叫做「上下文視窗」（context window），生成一段回覆，然後就忘了自己曾經讀過。任何塞不進這一回合視窗的內容，等於不存在。

當一段對話成長到超出視窗能容納的範圍，最舊的文字就會被擠出去，好騰出空間給最新的內容。更大的視窗能換來更多空間，但代價是更貴、延遲更高，而且中段會劣化：模型在面對長提示時，總是會弄丟夾在開頭和結尾之間的資訊，這就是所謂「迷失在中間」（lost in the middle）的效應（Atlan、bitfern）。所以遺忘並不是一個修一修就能解決的 bug，它是這套架構的預設行為。下面所有的內容，都是想方設法繞過它的嘗試。

AI 能「記住」的各種方式（以及每一種怎麼失靈）

每一套記憶系統，本質上都是一種策略：在對的時機，把對的舊文字重新塞回那個固定的視窗裡。每一種都在「召回率」與「成本、延遲」之間做取捨，而且各自帶著一種專屬的失靈模式。

滾動式摘要（Rolling summarization）。 由一個 LLM 把舊的對話回合壓縮成一份持續更新的摘要，跟著提示一起送進去。它便宜又精簡，但天生就是有損的：每壓縮一次，都會為了保持簡短而丟掉一些細節。某個只在第一天提過一次的事實，撐過了第一次壓縮，第二次被稀釋，到第三次就徹底消失了。你不會立刻察覺，直到角色開始牴觸某件你們一週前才一起確立的事（mem0、Recursively Summarizing, arXiv）。

Lorebook／World Info。 你親手寫下一條條的條目，每一條只有在它的觸發關鍵字出現在文字裡時，才會被注入（SillyTavern 文件）。一旦觸發，它非常精準。問題在於 AI 對自己的 lorebook 預設是看不見的，非得等某個關鍵字把對應條目喚醒才行：只要你換句話說、把觸發字拼錯，或是用拐個彎的方式提到那件事，這條條目就會默默地永遠不載入。知識明明存在，卻始終看不見。

向量／RAG 檢索。 每一則訊息都會被轉成向量（embedding）並儲存起來。每個回合，系統會檢索出和你剛剛所說最相似的片段，再把它們貼進去（freeCodeCamp）。它能擴展到龐大的歷史紀錄，這正是它真正的強項。但它也會在「最相似」不等於「最相關」時撈出錯誤的片段，而一段被自信地檢索出來的錯誤記憶，比完全沒有記憶還糟：它等於餵給模型一個錯誤的前提，讓模型在上面繼續蓋下去。

多層／結構化記憶（Multi-layer / structured memory）。 與其直接傾倒原始文字，不如由一個 LLM 萃取出重要事實，並發出新增、更新、刪除等操作；或是像當年 Generative Agents 那項研究所做的那樣，依「新近度、重要性、相關性」為記憶評分（arXiv 綜述、Generative Agents）。這已經比較接近「記憶」應該有的感覺了。但它也多出了一個可能出錯的步驟：HaluMem 這項基準測試顯示，記憶系統會在萃取、更新與檢索這幾個階段捏造與遺失資訊（HaluMem, arXiv）。記憶會產生幻覺，它不只是會遺忘而已。

知識圖譜（Knowledge graphs）。 實體變成節點，關係變成邊，再用帶時間性的邊去追蹤某件事「是什麼時候發生的」相對於「是什麼時候被學到的」（Zep / Graphiti 論文）。它是結構化程度最高的選項，但隨著故事不斷分岔，要把它建起來並維持乾淨，工程量也最大。

從這裡可以得出兩件事。第一，這個取捨是真實而無法迴避的：召回率，對上成本，對上延遲，對上捏造記憶的風險。第二，更大的上下文視窗並不是一套記憶系統。超過某個臨界點之後，舊資訊反而會主動阻擋對較新資訊的召回（這叫「前攝干擾」，proactive interference），而在高度干擾下，檢索不會優雅地逐步退化，而是直接崩塌成捏造（前攝干擾研究, arXiv）。更多的 token，只是更大的乾草堆，而不是一根更好的針。

各家平台怎麼處理這件事

以下簡短說明誰負責什麼、又各自在哪裡裂開。表格裡的內容是刻意寫得很精簡的。

其中有幾家值得各補一句。SpicyChat 把 lorebook 鎖在付費方案後面，並把免費方案的上下文上限壓在 4,096 個 token，所以在任何技巧派上用場之前，那裡的記憶本身就已經很短了（SpicyChat 文件）。NovelAI 的 lorebook 則是靠關鍵字觸發來啟動條目（NovelAI 文件），跟其他所有人一樣，是同一套既精準又脆弱的模式。

那麼，「真正管用的記憶」到底是什麼意思？

注意一下這張表格裡沒有的東西：沒有任何一個平台是「永遠不會忘記」的。任何向你保證這一點的人，賣給你的不過是 Replika 那句「保留所有內容」的行銷版本。真正有用的問題其實更窄：就在別處那些釘選與持久記憶會明顯崩掉的同一個關卡，當故事拉長之後，角色是不是還記得真正重要的事？

而跨過那道門檻，正是 Saga 打造出來要做的事。重點在於體驗：角色會記住一段漫長故事裡發生過的事，會回頭呼應它，也會因為它而改變；而你來設定那套錨定整個世界的世界觀，讓 AI 是依照你的正典（canon）在運作，而不是自己用猜的。比較短、比較輕鬆的場景，一樣放得進來。

有一個你可以自己跑跑看的測試。先確立一件事實，然後往後玩 200 則訊息，再用拐個彎的方式提到它，看看角色是不是還記得。那正是摘要會把細節丟掉、而關鍵字 lorebook 會保持沉默的那一刻，也正是 Saga 為之打造的那種情境。在記憶之外，其餘的環節也站得住腳：Saga 會透過 OpenRouter 在多個模型之間路由，所以萬一某家供應商的品質下滑，你也不會被綁死在它身上。內容界線由創作者自己設定，只有一條不會移動的硬底線：絕不涉及未成年人。對話在傳輸過程中加密、安全儲存，絕不出售，也絕不用來訓練模型。它採點數（credits）制，一開始會送你免費點數，自備金鑰（bring-your-own-key）的選項也在規劃中；目前則處於預覽階段，採候補名單制。

如果你想盤點更大的版圖，我們這篇Character.AI 替代方案指南，會從價格、內容政策，以及各自適合誰這幾個角度，把上面這些平台一一講過。

常見問題

Character.AI 為什麼什麼都記不住？ 它的模型每個回合都讀一塊固定的上下文視窗，一旦對話長到超出那個視窗，最舊的文字就會被裁掉。長對話純粹就是超過了模型一次能容納的量，而遺忘與上下文腐化也正是最常見的抱怨之一（404 Media）。歷史紀錄其實還存在你的帳號裡，只是模型沒辦法一次全部看到而已。

哪一個 AI 角色扮演的記憶最好？ 這要看你在做什麼。如果是一個你每天都會回去找的夥伴，Kindroid 的多層系統表現很強，雖然它的文件也承認長期召回「可能並不可靠」（Kindroid）。如果是一段漫長的故事，需要讓主線貫穿整個篇章都撐得住，那就是 Saga 為之打造的情境。對任何「什麼都記得住」的說法都要存疑，然後自己親手測一遍。

AI 聊天機器人能記住所有事情嗎？ 字面上做不到，而且只要有人說做得到，你就不該輕信。除了上下文視窗的限制之外，記憶系統本身也會在萃取、更新與檢索這幾個階段捏造與遺失資訊（HaluMem）。一套好的系統能可靠地召回真正重要的事；它並不會儲存一份無限長、完美無缺、模型隨時想讀就能讀的逐字稿。

什麼是 lorebook？ lorebook（也叫 World Info）是一組你親手撰寫、關於你的世界的條目，每一條都綁定一個觸發關鍵字，只有當那個詞出現在對話裡時，才會把這條條目注入（SillyTavern）。它在觸發時很精準，沒觸發時就一片沉默：只要你換句話說或把觸發字拼錯，這條條目就不會載入。在 Saga 裡，你來設定那套錨定世界的世界觀，所以正典是你定義出來的，而不是去指望模型自己推敲出來。

上下文視窗更大，就代表記憶更好嗎？ 不是。更大的視窗在某個程度之前是有幫助的，再往上就會撞上「迷失在中間」——模型會弄丟埋在長提示主體裡的資訊；以及前攝干擾——舊文字會阻擋對較新文字的召回，直到檢索崩塌成捏造（Atlan、arXiv）。更多的 token 只是一個更大的乾草堆。記憶真正的關鍵，是找到那根對的針。

Saga 目前正處於預覽階段，所以你可以及早加入，幫忙形塑這套記憶實際用起來的樣子。

加入 Saga 候補名單 →

有問題，或想交流角色扮演的點子嗎？來 Discord 一起聊聊吧。上方的平台細節，反映的是截至 2026 年中為止公開報導的資訊；這些系統變動得很快，最新狀況請以原始連結為準。