前幾篇文章與RAG的部分都是建立在知識庫的基礎上，在寫後面的文章，我發覺需要先把基礎知識庫的概念說完，才能繼續下去。
另外我們在"知識的組織與檢索"講到第3種方式，還有另外3種模式，等我們講解完基礎部分之後再繼續。

從認知科學到Agent memory

人類記憶系統的啟發
在建構AI Agent的記憶系統之前，讓我們先從認知科學的角度理解人類是如何處理與存儲訊息的。
人類記憶是一個多層級的認知系統，它不僅能存儲訊息，還能根據重要性、時間和上下文對訊息進行分類和整理。認知心理學為理解記憶的結構和過程提供了經典的理論框架，如下圖：

根據認知心理學的研究，人類記憶可以分為以下層次：
1.感覺記憶(sensory memory)：持續時間極短(0.5~3s)，容量巨大，負責暫時保存感官接收到的所有訊息。
2.工作記憶(working memory)：持續時間短(15~30s)，容量有限(7+-2個項目)，負責當前任務的訊息處理。
3.長期記憶(long-term memory)：可持續時間長(可達終生)，容量幾乎無限，進一步分為：

• 程序性記憶：技能和習慣(ex.騎機車)
• 陳述性記憶：可用語言表達的知識，又分為：
  • 語意記憶：一般知識和概念(ex.東京是日本的首都)
  • 情景記憶：個人經歷和事件(ex.昨天的會議紀錄)

為何AI Agent需要記憶與RAG?

借鑒人類記憶系統的設計，我們可以理解為為甚麼AI Agent也需要類似的記憶能力。人類智能的一個重要特徵就是能夠記住過去的經歷，從中學習，並將這些經驗應用到新的情景中。同樣，一個真正智能的AI Agent也需要具備記憶能力。對於基於LLM的AI Agent而言，通常面臨兩個根本性的侷限：對話狀態的遺忘和內置知識的侷限。

(1)侷限1：無狀態導致的對話遺失
當前的LLM雖然強大，但設計上是無狀態的。這意味著，每一次用戶請求(或API調用)都是一次獨立的、無關聯的計算。模型本身不會自動"記住"上一次對話的內容(目前來說通常會有上下1次對話的額度)。這帶來了一些問題。

• 上下文丟失：在長對話中，早期的重要訊息可能會因為上下文窗口的限制而丟失
• 個性化缺失：AI Agent無法記住用戶的偏好、習慣或特定需求
• 學習能力受限：無法從過往的成功或失敗經驗中學習與改進
• 一致性問題：在多輪對話中可能出現前後矛盾的回答。
  要解決這些問題，我們需要引入記憶系統。

(2)侷限2:模型內置記憶的侷限性
除了遺忘對話歷史，LLM的另一個核心侷限在於其知識是"靜態的、有限的"。這些知識完全來自於它的訓練數據，並因此帶來一系列的問題：

• 知識時效性：LLM的訓練數據有時間截止點，無法獲取最新消息
• 專業領域知識：通用模型在特定領域的深度知識可能不足
• 事實確認性：通過檢索驗證，減少模型的幻覺問題。
• 可解釋性：提供訊息來源，增強回答的可信度。

為了克服這一侷限，RAG技術由此而生。它的核心思想是在模型生成回答之前，先從一個外部知識庫(Ex.文件、數據庫、API)中檢索出最相關的訊息，並將這些訊息作為上下文一同提供給模型。

larashero3-dotcom/lieflat-less-ai-tone 是一個針對中文寫作的 AI 味去除 Agent Skill。它不是文字分類模型，也不是一般的 NLP 套件，而是一份可直接交給 Claude／其他 Agent 使用的 SKILL.md 規則集，根據 629 篇文章、約 283 萬漢字的 AI／人類對照研究，定位並最小幅度改寫被認定為 AI 風格的句式。
它的使用者主要是中文內容作者、編輯、研究者，以及想把 AI 產生文章改得更自然、但又不希望模型任意潤色或改變原意的人。
GitHub： https://github.com/larashero3-dotcom/lieflat-less-ai-tone