#039🐝 黃琪婕｜帶得走的知識，留不住的框架：AI 時代的 Memory Layer 與 Agent 協作指南

這是 ChiChi Huang 的專家邀稿，她是 AILogora 與 Cairn 創辦人及生成式 AI 工程師，近期成功入選錄取率僅 2.4% 的 Anthropic 全球 Hackathon。她專注於 AI Agent 協作與知識管理系統，致力打造 AI Native 公司，其創業產品與觀點曾獲公視及非凡新聞報導。

 2026 才過了半年，相信大家都能明顯感受到，這半年技術推進的節奏實在太快了，也讓許多人的 AI 焦慮達到了高峰。

每個禮拜都有一個新名字在 FB、X 上洗版，今天是某個剛出爐的開源 Agent 架構，明天是某家大廠發表的 platform，後天又有一個更漂亮的設計圖被丟出來打榜。半年前大家還在認真讀的那些東西，現在很多已經沒有人在用了，我自己 4 個月前大力推薦的工具 Vibe Kanban 現在也沒再用了。在這背景下，我感覺社群裡的氣氛很微妙，興奮跟焦慮各佔據了一半，興奮的是有許多跨世代的產品出現；焦慮的是不知道現在投資的時間之後會不會白費。

這半年來我自己也親手實作了不少 Agent，從個人助理、團隊專用的 Manager Agent，到把社群知識轉化為 AI 可調用的服務，可以說是大大小小的坑都踩過一遍了。在這些過程中，最常被問到的大哉問就是：「AI 變化這麼快，我們到底該把精力投資在哪裡？」

我的答案越來越篤定。

去學概念，不要學工具。因為框架會過時，但概念永遠不會。

因此這篇文章想做到兩件事：

第一，解釋「為什麼」：為什麼下一波拉開差距的關鍵，已經逐漸從「懂不懂用新工具」，轉移到「你大腦裡有沒有那套概念」。

第二，解釋「怎麼做」：把「概念」這個聽起來很虛幻的詞落地。我想跟你分享，現階段投資概念最具體的作法，就是為自己建立一層「Memory Layer（記憶層）」，讓它與你所有的 AI 融為一體。

這兩件事本質上是同一件事，只是從認知與實踐的不同角度切入。

一、 我們正在摸到 Innovator 階段的階梯

要看清楚「該投資什麼」，得先看清楚我們「現在站在哪裡」。

OpenAI 之前提過一個「邁向 AGI 的五階段」分類，這個分類我覺得拿來看產業節奏蠻好用的：

• 第一階 Chatbot（聊天機器人）：就像以前 LINE 裡面那種照規則走的訂購機器人，主要用來做簡單的對答。
• 第二階 Reasoner（推理者）：就像 2023 年早期的 ChatGPT，你把問題跟資料丟給它，它能幫你總結、推理、解答複雜的邏輯題。
• 第三階 Agent（代理人）：它就像是長了手腳的 AI。你不再只是「找它要答案」，而是「交代它任務」，它會自己去調用外部工具、上網查資料或寫程式，幫你把事情做完。
• 第四階 Innovator（創新者）：它不再只是解決你定義好的問題，而是能自主探索，提出你都沒想過的新點子或發明。
• 第五階 Organization（組織）：AI 能像一整間無人公司一樣運作，從研發、營運到客服，全由不同的 AI 角色各司其職、自動協作。

過去一年我們其實一直卡在第二、第三階之間，模型越來越會推理、越來越會用工具，但說它能「真的做事」，多數時候還是要人在旁邊看著。

這半年開始不一樣了。

最重要的轉折點，就是今年 1 月 OpenClaw 的出現，它讓大家明確感受到產業正從第三階的 Agent，開始摸到第四階 Innovator 的樓梯。把時間線攤開來看，相關的訊號非常密集：Microsoft 在 2025 年底推出 Agent 365，把 Agent 當成企業裡需要被管理的「數位勞動力」；IDC 估計到 2028 年企業環境裡的 AI Agent 數量將逼近 13 億個；緊接著 OpenAI 在 2026 年初，也把服務重心從「賣模型」推進到「幫企業管 Agent」。最後到了 3 月的 GTC 大會，黃仁勳那句話則為這個趨勢下了最直白的註解：「Every company in the world today needs to have an OpenClaw strategy.」

這句話的深意跳脫了 OpenClaw 這個工具本身，它替整個產業點明了一件事：未來企業真正需要的，已經超越了單一 AI 工具，是一整套 Agent 的策略。

換句話說，模型能力本身會越來越像水電，真正會分出勝負的，是你怎麼把這些能力組合起來、怎麼塞進真實的工作流裡、怎麼讓多個 Agent 接力合作、怎麼定義它們的權限跟記憶。這些東西工具會幫你做一部分，但永遠不會幫你做完。

我自己的判斷是這樣，未來半年會有更多「微型公司框架」冒出來，每一個都比前一個更漂亮。未來一年這些框架會開始被頭部廠商抹平、收斂，剩下兩三個主流方案。未來兩年，這層基礎設施大機率會變成水電，跟今天的雲端服務一樣，沒人會再為「我們選哪家 IaaS」吵架。

所以追工具沒意義。工具一定會被吃掉、會被收斂、會被抹平。

但在工具還沒被抹平之前，我們為了把新工具塞進工作流所經歷的試錯過程，會逼你去思考許多底層問題。這些問題在工具消失之後會留下來，而那些留下來的東西就是概念。

二、 Agent 在不同框架下的定位差異：員工還是助理？

這半年另一個常被問的問題之一是：不同框架下的 Agent（例如 OpenClaw 跟 Claude Code）到底差在哪？

很多人第一直覺是去比功能，誰能執行指令、誰能寫程式、誰能跑工具。其實你真的去用兩個系統一陣子之後就會發現，功能最終都會趨向整合收斂、甚至互抄。與其著重在工具本身，不如去探討每個框架在底層怎麼定義「Agent」這個角色。

以目前最主流的三個框架來看，Claude Code、OpenClaw、Hermes Agent，你會發現它們打從底層設計就選擇了完全不同的定位。我們真正需要判斷的，是這些不同定位（例如員工型 vs 助理型）對我們本身工作流會帶來什麼實質差異。

A. 將 Agent 視為「任務型助手」：以 Claude Code 為例

Claude Code 的官方定位其實寫得很直白，它是一個 agentic coding tool，本質上就是專注於協助寫程式的 Agent。它與接下來要介紹的兩個系統最大的差異，在於它怎麼定義 Agent 的「生命週期」。

它的取向我會定義為：Agent 是任務的執行實例，做完就退場。

最能反映這件事的是它的記憶設計，Claude Code 的記憶可按 user、local、project 切分，預設綁在「你」、「這台機器」或「這個專案」這三個維度上，而不是綁在某個 Agent 身上。也就是說，記憶屬於使用者與專案所累積出來的脈絡，而 Agent 只是被叫起來消化這份脈絡、把任務做完就退場的執行單位。

雖然你可以讓 Claude Code 透過不同機制在背景處理耗時任務，或同時開啟多個 session 平行工作，但即使這些 Agent 跑了很久，它們並不會建立起「我是誰、做過什麼、跟誰合作過」這種屬於自己的個體記憶。一旦任務結束，學到的東西會直接回流、沉澱到使用者與專案層的脈絡裡，Agent 本身就消散了。

這種取向背後的哲學很明確，專案脈絡才是主角，Agent 只是任務發生時的運行模式。如果你的需求是在寫程式或處理任務的時候有個強悍的執行單位，這個取向非常合理：把 Agent 設計成可拋棄、可重啟的，任務脈絡反而更乾淨。

B. 將 Agent 視為「獨立員工」：以 OpenClaw（龍蝦）為例

OpenClaw 的設計重心完全反過來，它讓每個 Agent 自己有身份。

這也是為什麼龍蝦讓我感覺像在帶一間微型公司。它從架構上就把 Agent 當員工來設計。每個 Agent 有自己獨立的 memory workspace，記憶綁在「這個 Agent」身上，不是綁在某台機器或某個專案上。Agent 之間可以接力、可以互相 mention 派工。

在 Claude Code 裡，Agent 比較像「模型在某次任務中的一個分身」，跑完就解散；但在 OpenClaw 裡，Agent 是一個有名字、有記憶、有手腳、會持續存在的個體。你不是在「呼叫 AI」，你是在「分配工作給某個員工」。

一旦你開始把 AI 當成員工，你思考事情的方式會整個改變。你會開始想，這個 Agent 該負責哪些任務，它跟其他 Agent 怎麼分工，哪些事情可以放手讓它自動跑、哪些一定要 human-in-the-loop。

C. 將 Agent 視為「個人助理」：以 Hermes Agent 為例

Nous Research 的 Hermes Agent 又是另一條路，它的官方定位是「The agent that grows with you.」

Hermes 的設計思路跳離了「員工分工」或「寫輔助程式工具」的框架，它選擇把 Agent 定位成一個會持續演化的個人助理。它的記憶是分層的，使用者畫像層在背景非同步推理你的對話、慢慢建立一份「越來越懂你」的人物模型，跨 session 記憶層用全文索引加 LLM 摘要讓新對話可以撈到舊脈絡。最有意思的是，當 Agent 跑完一個複雜任務，它會自動把這次的流程沉澱成一個 skill 檔案，下次遇到類似任務就直接用。

換句話說，Hermes 的設計哲學是「經驗會累積成技能、互動會塑造人格」。它假設你會跟同一個 Agent 長期相處，所以為「自我演化」這件事鋪了專門的軌道。這跟 OpenClaw 把 Agent 當員工、各自獨立存在、各守其職的取向，又是完全不同的世界觀。

我們需要判斷的是工作模式的差異

把這三種框架放在一起看，你會發現即便大家都在談 Agent，底下的世界觀根本不同。

正如我前面所說，框架與工具最終都會趨向整合（例如未來可能每個工具都有記憶分層或多 Agent 協作）。因此，重點不在於我們選了哪個工具，而在於當你在建立自己的流程時，你需要先釐清自己要的是什麼：

你需要的是一個任務做完就退場、把脈絡留在專案裡的任務型助手？是一個有名字、有記憶、可以被分派工作的員工？還是一個需要你長期花時間培養、會跟著你一起演化的個人助理？

釐清了我們需要的工作模式，才知道該用什麼樣的思維去建構你的 Memory Layer 與 AI 協作。這就是我所說的概念。

三、 那「概念」到底是什麼？就是只有你能做的那塊

第二節講完三種 Agent 定位，我猜你已經隱約感覺到「概念」是什麼了。但這個詞還是太抽象，我想再拆得更具體一點。

如果你回頭看那些被問過很多次的「Agent 策略問題」：

• Agent 要負責哪些工作？
• 誰可以動到哪些資料？
• 哪些任務可以自動跑、哪些一定要 human-in-the-loop？
• 怎麼監控、怎麼 rollback？
• 不同 Agent 之間怎麼接力合作？

你會發現這五個問題，沒有一個是工具能替你回答的。

工具能告訴你「我支援多 Agent 協作」、「我有權限管理」、「我有 audit log」，但它沒辦法告訴你你的第一線客服該不該交給 Agent；你的業務數據該不該讓 Agent 直接寫進去；你的團隊文化能不能接受 AI 自動發信給客戶。這些判斷是依附於你、依附於你的組織、依附於你做事情的脈絡。

這就是我說的「概念」，把它拆開大致可分成三件事：

第一是 workflow 怎麼拆解

你的工作流長什麼樣子？哪一段適合交給 AI、哪一段必須留給人？哪些步驟是線性的、哪些可以平行？任務出錯時你怎麼定義「失敗」、怎麼回到上一步？這些拆解的眼光是 AI 沒辦法替你做的，因為它根本看不到你的工作全貌。它能做的是在你拆好之後，把每一段執行得很好。

第二是 routine 怎麼委派

你每週、每天有哪些 routine？整理週報？追蹤客戶？分流訊息？盯競品？這些 routine 之所以是 routine，是因為背後有一套你大腦裡的判斷規則，什麼客戶該先回、什麼訊息該升級、什麼數字異常要被警示。這套規則不寫下來，AI 就只能瞎猜，寫下來了 AI 就能幫你跑七成以上。但這套規則只有你寫得出來。

第三是判斷依據，也就是默會知識

這塊最玄、也最值錢。為什麼這個案子要拒絕？為什麼這個合作要做？為什麼某段文字讀起來不對勁？很多時候你說不出明確理由，但你就是知道。這種「你就是知道」的東西在英文裡叫 tacit knowledge。AI 越強，這種默會知識的價值越凸顯，因為 AI 可以幫你做的事情越多，沒被你寫下來的判斷依據就越可能變成系統的盲點。

這三件事合起來，就是「概念」的具體樣貌。它絕非某種高空抽象的哲學論述，而是非常具體、緊緊依附於「你」的經驗結晶。

但問題來了，這套最有價值的東西目前只鎖在你自己的腦袋裡，沒有任何一個 AI 讀得到，這就是為什麼我們需要建立「Memory Layer（記憶層）」。這層 Memory Layer 就是把你腦袋裡這些工作流、委派規則跟默會知識，全部變成 AI 能讀懂並調用的數位載體，就像是幫 AI 裝上一個能接通你邏輯的轉接頭。

到這裡，「投資概念」跟「建立 Memory Layer」就接起來了。你大腦裡的這套概念越清晰，你的 Agent 就越聰明。 反過來說，你越認真在訓練你的 Agent，你大腦裡的概念也會被逼著越來越清晰。兩件事是一體兩面。

這種落差也解釋了為什麼同樣是在「用 AI」，每個人的效益卻大不相同。如果只是把 AI 當成 Google 升級版——問問題、拿答案，那能省下的時間很有限。比較長遠的做法是把 AI 真正接進工作流，讓它跑掉那些例行公事，把我們自己的時間留給「關鍵判斷」這件事。決定這兩者差異的關鍵，早就超越了用什麼工具或下什麼 prompt，真正的決勝點在於：誰能把自己的工作流拆得夠清晰、判斷依據寫得夠透徹。

這就是為什麼我說，下一波拉開差距的不是工具，是概念。

四、AI 越強大，越凸顯一個痛點：它不認識你

講到這裡，我想聊一下大家用 AI 的時候最深的那個痛點。

你應該都有過這種感覺，開了一個 ChatGPT 對話、講了半小時、把背景脈絡解釋得清清楚楚，得到一個還不錯的答案，但隔天你想接續這個話題，開了一個新對話，AI 又什麼都不知道了，你又得從頭把背景再講一遍。

更慘的是工作橫跨好幾個 AI 工具的時候。早上用 ChatGPT 想策略，下午用 Perplexity 找資料，晚上用 Claude 寫稿。每換一次工具，就得重新解釋自己一次。每個工具都只懂你一點點，沒有一個工具懂你的全貌。

這就是斷裂感。

我在做 AI-native 流程的時候，這個痛點在每一個環節都會出現。這個問題的根源 Karpathy 提過一個比喻我覺得很傳神，LLM 就像一顆運算能力突破天際的 CPU，但它沒有掛載專屬於你的外接硬碟。模型本身的能力越來越強，但它對「你是誰、你在做什麼、你的脈絡是什麼」這件事一無所知。每一次新對話，都是一顆 CPU 從乾淨的記憶體開始啟動。

這個痛點在「個人」跟「組織」兩個層級都存在。

個人層級的解法現在叫 Shared Memory。越來越多公司在解決「AI 跨工具記憶割裂」的問題，本質上就是把記憶、工具、資料源透過一個標準介面（例如 MCP）包成 AI 可以調用的服務，讓不管哪家的大模型，只要接上這個介面，就能共用同一套使用者記憶。我自己這半年實作 Agent 的過程裡，越來越覺得這是個必須被解決的底層問題，因為只要這個問題沒解決，AI 就永遠停在「它認識你一點點」的階段。

組織層級的版本叫 Company Brain。YC 最近發的 Summer 2026 RFS 直接把這個列為一個 category，講的是怎麼讓 AI Agent 在執行任務時，調用的是團隊「當下最新」的隱性知識，取代過去那種寫完就沒人更新的死文件。我自己做 Manager Agent 的時候踩過這個坑，最大的瓶頸往往卡在 Agent 不知道「現在公司的狀況是什麼」。智商（Intelligence）這時候從來不是阻礙，缺乏脈絡（Context）才是。

這兩個層級的問題本質上是同一件事，AI 不認識你，而這個問題不會被工具自動解決。模型再強、框架再漂亮，如果你沒把屬於你的脈絡餵進去，它永遠是個外人。

更殘酷的是，這個 context 必須由你自己餵。沒有任何工具能替你做這件事，因為只有你知道你的工作流長什麼樣子、你的判斷依據是什麼、你的組織有什麼隱性規則。你不寫，AI 就不知道。

所以在這個時間點，把自己的 Memory Layer 建立起來是投資報酬率極高的一件事。你建好的這份脈絡，不只能餵今天的 AI，也能餵明年那個更強的 AI、後年那個還沒出來的框架。模型會換、框架會換，但你的脈絡會留下來。

五、不要先打地基，從實作長出你的記憶系統

說到建立這層 Memory Layer，很多人會掉進另一個陷阱，他們會先去研究筆記方法論。

去研究 PARA、研究 Zettelkasten、研究 MOC、研究 tags vs folders，買一堆筆記軟體教學，試圖在開始工作之前，先打造一個完美無瑕的資料夾分類與標籤系統。

老實說，我很不建議這樣做。

我看過太多人在這個階段把熱情磨光。你不可能叫一個剛入門的人，先把建築學念完、把地基打好，再開始蓋他人生第一間狗屋。等他把地基理論念完，他早就忘了自己一開始想蓋的是什麼東西。這條路在學筆記法的時候特別致命，因為筆記法本身有無限多的細節可以鑽，每一派都有自己的擁護者，你越鑽越覺得自己什麼都不懂、什麼都還沒準備好開始。

這幾個月實作各種 Agent 與知識庫下來，我總結出一個比較沒有負擔、也能跟 AI 較好協作的三步驟。

第一步，實作為先。 不要管架構不架構。找出眼前最讓你煩躁的一個具體任務，可能是每週要交的報表、可能是不斷重複的客戶 onboarding、可能是某種固定格式的內容整理，直接把這個任務丟給 AI 處理。不要先設計，不要先分類，先動手。保持行動力是最重要的事。

第二步，做中學。 在實作的過程中你一定會發現問題。AI 給的格式不對，它漏掉了一個你覺得理所當然的條件，它對某個術語的理解跟你不一樣，它在某個判斷點上給了你一個你絕對不會做的選擇。

這些「卡住」的瞬間，就是你最珍貴的素材。這些瞬間正是「你大腦裡有的、但 AI 不知道的」那些默會知識浮現的時刻。你之前說不出來，但 AI 給錯了你立刻就知道哪裡錯，這就是訊號。

第三步，同步打底。 順著做事的進度，把每一次「卡住」對應的默會知識寫下來，沉澱到你的知識庫裡。不是寫一篇大論文，就是一句話、兩句話：「我們公司的客戶分級規則是 X」、「這類報表的格式必須是 Y」、「碰到這種情況我會選擇 Z 而不是 W」。

這樣做最神奇的地方在於，你的知識地基會跟著任務一起生長。這已經超越了單純的「整理筆記」，你其實是在「補上 AI 不知道的知識盲區」。每補上一塊，你的 AI 就更懂你一點，下次再丟類似任務給它的時候，它出錯的機率就會降低。

我喜歡用一個比喻來想這件事，這本質上是在寫 API 給未來的 AI 看。你今天寫下的每一條規則、每一個判斷依據、每一段流程說明，都是在為未來那個更強、更便宜、更普及的 AI 預先鋪路。等到它出現的那一天，別人還在從零開始解釋自己，你已經有一份完整的脈絡可以餵進去了。

六、我自己的活案例：AILogora 到 Cairn

講方法論很容易，我給你看一個我自己實踐這套東西的活案例。

我做 AILogora 的時候，一開始想解決的問題很單純，社群裡有很多有價值的知識散落在 Discord、GitHub、各種對話串裡，怎麼把它們整理起來？我沒有先去設計一個完美的知識架構，而是直接做。一開始用 tags 跟資料夾的傳統方式，跑了一陣子發現東西一多就找不到。換成 bidirectional links（像 Obsidian 那種雙向連結）試試看，幾百張卡之後 Graph view 變成一團毛線球，看得到連結但看不到什麼是重要的。再試空間化筆記，白板一大也需要某種地圖告訴你東西在哪。

後來我們走到 LLM 加 Wiki 這條路，用大模型把社群資訊整理成 Wiki，再結合 Vector Search 做搜尋。這條路一開始跑得很不錯，方向感覺對了，直到我撞上一個更深的問題。

當社群裡不同人對同一件事有不同經驗的時候，Wiki 只能呈現一個「整理過的版本」，其他觀點就被吃掉了。「我用 RAG 做客服機器人，準確率 85%」跟「我用 RAG 做客服機器人，幻覺問題一直解不掉」，這兩個並沒有絕對的對錯。兩邊都是 truth，差別在 context、在 use case、在那個人的技術棧。但傳統的知識管理系統，從 Wiki 到 Vector Search 到 ChatGPT Memory 全都共享一個假設，Single Source of Truth（單一真相來源）。它們會把多元觀點壓成一個平均結論，把矛盾壓成 similarity score，結構本身卻被丟掉了。

這個天花板是我做了之後才撞到的。如果我一開始就坐下來規劃「完美的知識架構」，我根本不會想到這個層次的問題，因為這個問題只有在你真的把幾百個觀點丟進去、看著它們被壓平之後，才會浮現出來。

撞到這個天花板之後，才長出 Cairn 這個專案。Cairn 在做的事情是把 MOC（Map of Content）這個 PKM 圈用了很多年的概念重新定義，傳統 PKM 裡的 MOC 是個人的目錄頁，在 Cairn 裡 MOC 變成「一群觀點之間的結構關係」。LLM 負責草擬這個結構，人來審核。每個人的經驗和觀點是獨立的原子單位，帶 authorship，誰說的、什麼 context 下說的，都保留著。

這個 thesis 還在早期，不一定對。我想強調的是，這套方法論不是先想出來的，是做出來的。我沒有先讀完所有 PKM 流派、想清楚 SSOT 的限制、才開始動工。順序剛好相反，是 tags 試過、空間化試過、LLM Wiki 試過，每一種都有學到東西、也都撞到天花板，那些天花板最後指向同一個方向，才長出今天的方法論。

如果一開始我選擇先打地基，今天這套東西不會存在。

先做，再學，再打底。這是我踩過無數坑後，覺得最不內耗的順序。

結語：投資那些帶不走的心智資產

回到最開始的問題，在 AI 時代我們該定錨在哪裡？

如果你只記得這篇文章的一件事，我希望是這個。任何現在看起來炫酷無比的 prompt 技巧、外掛、Agent 框架，一兩年內大機率會被系統底層整合、被淘汰、或者變成水電那樣理所當然的東西。這並非悲觀，我反而覺得是件好事，因為它意味著基礎設施會變得越來越普及、越來越便宜，未來每個人都能用得起。

但也正因為如此，真正能拉開差距的不會是工具本身。

當基礎設施被抹平，剩下值錢的就是那些抹不平的東西，你大腦裡的概念架構，以及你怎麼把它餵給 AI 的能力。

這就回到 Karpathy 那個比喻。模型是 CPU，那顆 CPU 會越來越強、越來越便宜、越來越普及，但外接硬碟是你的。你的 workflow、你的判斷依據、你的默會知識、你跟團隊長期累積下來的那些隱性規則，這些東西不會自動跑進 AI 的記憶裡，必須被你寫下來、結構化、餵給系統。

這就是為什麼我覺得現在「Memory Layer」這件事最值得投資的理由。它不只是個人生產力工具，它是你跟未來所有 AI 協作的介面。今天你寫下的每一條規則，明年那個更強的 AI 都讀得懂。今天你拆好的每一段 workflow，後年那個還沒出來的框架都跑得動。模型會被換掉，框架會被收斂，工具會被淘汰，但這份脈絡會跟著你走。

建立這個 Memory Layer 的最佳途徑，並非從完美的理論地基開始，請直接從實作切入、做中學、同步打底，讓你的記憶系統跟著任務一起生長。因為你這不是單純在整理筆記，而是在寫 API 給未來的 AI 看。

下半年如果你只有時間做一件事，我會推薦做這個。挑一個眼前最煩的 routine，丟給 AI，撞牆的時候把卡住的點寫下來。這就是起點。

在這個技術狂飆、焦慮蔓延的時代，我們很容易覺得自己被時代拋在後頭。但或許，真正的超車不需要拚命追趕那些終將過時的工具。把目光收回自己身上，一磚一瓦地把你大腦裡的想法、經驗與直覺記錄下來吧。因為不管未來的 AI 變得多麼強大，它終究只是運算的容器，而賦予它靈魂的，永遠只能是你自己。