前言：從反思到記憶

在 昨天 (Day 9)，我們看到 Reflection Pattern 如何讓 AI 事後檢討與修正。
AI 能反思「景點時間太長 → 超時」，並提出改進方案，讓行程成功在 18:00 前結束。

但是如果第二天我們再請 AI 排類似的行程，它是否還會重蹈覆轍？
光有 Reflection，AI 只能「當下修正」，但下次仍可能忘記之前的錯誤。

這時候，我們需要 Memory（記憶） —— 讓經驗能被保存，避免重蹈覆轍。

Memory（記憶）的核心概念

Memory 讓 AI 不只會臨時反思，還能「記住經驗」，未來遇到相似情境時自動套用。

核心概念：

1. 存放 (Write) —— 把反思或使用者偏好記錄下來
2. 調用 (Retrieve) —— 當再次遇到類似任務時，自動帶入相關記憶
3. 應用 (Apply) —— 基於記憶直接調整輸出，避免重複錯誤

圖：Memory 的核心循環 —— Write → Retrieve → Apply → Result → Write

使用者的輸入或任務結果會被寫入 (Write)，存放到記憶庫。下一次遇到相似任務時，會先檢索 (Retrieve) 相關資訊並應用 (Apply)，讓輸出更貼近需求。結果再回饋到記憶中，形成持續成長的循環。

若再搭配昨天的 Reflection，AI 在輸出後會先檢討，再把檢討結論更新進記憶，讓循環更完整。

而在不同情境下，這些記憶可以以不同型態存在，常見的有以下三種：

記憶的種類

1. 短期記憶（Short-term Memory） —— 記得上下文對話，會話結束即消失
2. 長期記憶（Long-term Memory） —— 保存跨多次互動的經驗，形成「知識庫」
3. 反思記憶（Reflection Memory） —— 將 AI 的檢討結果永久保存，下次直接調用

這三種記憶往往是同時存在並互相補充的：短期記憶處理上下文，長期記憶累積知識，而反思記憶則留存經驗教訓，三者結合才能讓 AI 真正展現『成長』的感覺。

Demo 1：避免重蹈覆轍（超時問題）

延續 Day 9 案例，我們刻意給了：

• 美泉宮 (Schönbrunn Palace) 5 小時
• 聖史蒂芬大教堂 (St. Stephen's Cathedral) 5 小時
• 午餐 2 小時 + 交通各 30 分鐘

總長度高達 13.5 小時，導致行程要到 22:30 才能結束 → 超時失敗。

沒有 Memory → 每次都犯同樣的錯

[
  {"place": "美泉宮", "minutes": 300},
  {"place": "交通（美泉宮→餐廳）", "minutes": 30},
  {"place": "午餐", "minutes": 120},
  {"place": "交通（餐廳→聖史蒂芬大教堂）", "minutes": 30},
  {"place": "聖史蒂芬大教堂", "minutes": 300}
]

模擬結果：22:30 才結束 → 超時。

有了 Memory → 套用 Day 9 的反思記錄

昨天 Reflection 存下的記憶（延續 Day 9 檢討結論）：

「美泉宮建議 4 小時、聖史蒂芬大教堂 1.75 小時，避免超時」

今天規劃時直接套用：

[
  {"place": "美泉宮", "minutes": 240},
  {"place": "交通（美泉宮→餐廳）", "minutes": 30},
  {"place": "午餐", "minutes": 90},
  {"place": "交通（餐廳→聖史蒂芬大教堂）", "minutes": 30},
  {"place": "聖史蒂芬大教堂", "minutes": 105}
]

輸出結果：**17:45** 結束 → 剛好在 18:00 前完成。

在這個案例中，若沒有記憶，AI 每次都會按照「5 小時景點 + 2 小時午餐」的原始設定，導致行程持續超時。
即使 AI 具備 Reflection 能力，可以在當下檢討並修正，但如果缺乏 Memory，它下一次仍會重蹈覆轍。

有了 Memory 之後，AI 能記住昨天 Reflection 的結論：

• 「美泉宮 5 小時太長 → 建議縮短為 4 小時」
• 「聖史蒂芬大教堂建議縮短為 1.75 小時」

因此在新的行程規劃裡，自動套用這些調整，最終行程就能在 18:00 前準時結束。

這說明了 Reflection 解決「事後修正」，而 Memory 則確保「下次不再犯」。
兩者結合，才讓 AI 能逐步展現「真正會學習」的能力。

Demo 2：尊重使用者偏好（不吃牛肉）

旅行不只要考慮時間，還要顧及個人偏好。這裡我們示範 AI 如何透過 記憶 + LLM，記住使用者飲食習慣，並在推薦時自動套用。

Step 1：使用者輸入 → AI 寫入記憶

# ---- 記憶存放結構 ----
memory_store = {"diet": {}, "cuisine_pref": []}

def update_memory(user_input: str):
    if "不吃牛肉" in user_input:
        memory_store["diet"]["beef"] = False
    if "豬排" in user_input and "schnitzel" not in memory_store["cuisine_pref"]:
        memory_store["cuisine_pref"].append("schnitzel")

# 使用者輸入
user_input = "我不吃牛肉，但喜歡維也納豬排"
update_memory(user_input)

print("使用者記憶：", memory_store)

輸出：

{
  "diet": {"beef": false},
  "cuisine_pref": ["schnitzel"]
}

Step 2：候選餐廳清單

candidates = [
    {"name": "市中心牛排館", "tags": ["beef", "steak"]},
    {"name": "市中心壽司店", "tags": ["japanese", "sushi"]},
    {"name": "市中心維也納豬排餐廳", "tags": ["schnitzel", "austrian"]}
]

Step 3：呼叫 LLM → 根據記憶篩選餐廳

import google.generativeai as genai

genai.configure(api_key="YOUR_API_KEY")
llm = genai.GenerativeModel("gemini-2.5-flash")

prompt = f"""
使用者的飲食習慣：
{memory_store}

候選餐廳：
{candidates}

請依照使用者的飲食限制與偏好，選擇最合適的一間餐廳，
並只輸出餐廳的名稱。
"""

response = llm.generate_content(prompt)
print("AI 建議的餐廳：", response.text.strip())

輸出結果

使用者記憶： {'diet': {'beef': False}, 'cuisine_pref': ['schnitzel']}
AI 建議的餐廳：市中心維也納豬排餐廳

Step 4：整合到完整行程模擬

=== 結合記憶後的完整行程 ===
09:00–09:30 前往美泉宮
09:30–13:30 美泉宮
13:30–14:00 前往餐廳
14:00–15:30 午餐吃市中心維也納豬排餐廳
15:30–16:00 前往聖史蒂芬大教堂
16:00–17:45 聖史蒂芬大教堂

在這個案例中，若沒有記憶，AI 很可能會安排「牛排館」，導致踩雷。
但有了 Memory 之後，AI 能自動避開「牛肉」選項，並依照偏好推薦在地代表性的 維也納豬排（Wiener Schnitzel） 餐廳，例如 Figlmüller。

這不只是單純的關鍵字比對，而是 結合記憶與 LLM 推理 的能力：

• Memory 記住「不吃牛肉」與「喜歡豬排」的偏好
• LLM 根據餐廳候選清單做推理與篩選
• 最後輸出更貼近使用者需求的選擇

換句話說，AI 已經不只是單次對話的助手，而是能 累積使用者偏好，並在未來互動中主動應用 的「長期隊友」。

小結：Memory 的價值

在今天的練習中，我們看到 Memory 如何同時處理「壞的」與「好的」兩種經驗：

• 避免錯誤 → 透過記住昨天的反思，下次自動調整景點時間，避免再犯超時問題。
• 保留偏好 → 透過記住使用者「不吃牛肉、喜歡維也納豬排」的習慣，未來自動避開不合適的餐廳，並優先推薦更貼近需求的選項。

這凸顯了 Memory 的雙重價值：

• 它不只是幫助 AI 避免重蹈覆轍（負面經驗），
• 也能讓 AI 強化並延續好的行為（正面偏好）。

對照來看：

• Reflection → 幫助 AI 事後檢討與修正
• Memory → 幫助 AI 記住錯誤的教訓，也保留好的偏好
• Reflection + Memory → 讓 AI 不僅「知道自己錯了」，還能「延續做對的」，真正展現出「學習與成長」

有了這樣的能力，AI 就能從「一次性規劃的助手」逐步升級為「長期的可靠隊友」——會學習、會成長，越用越聰明。

圖：維也納百水公寓（Hundertwasserhaus）。這棟色彩斑斕、造型自由的建築，沒有一扇窗戶完全相同，每個細節都像被保存下來的片段記憶。綠樹從屋頂和牆面生長，讓舊有的空間與新的生命交織。就像 Memory 的作用：AI 把不同的經驗累積、保存，再在未來拼湊成更完整的理解與行動。（攝影：作者自攝）