前六天一路寫下來，我們從：
Chatbot。
Model。
AI System。
Human Authority。
Evidence。
慢慢把 Sol 從「聊天工具」拆成一個比較完整的工程問題。
今天我要回到一個看起來最直覺、但我們其實踩過不少坑的問題：
AI 到底怎麼「記得」？
以前我很容易覺得：
我們聊過。
紀錄還在。
AI 也回答得出來。
那就代表：
她記得。
後來真的開始做，我才發現：
這句話裡其實至少混了三件完全不同的事情。

Context
Memory
Retrieval
而且：
Context ≠ Memory ≠ Retrieval

先講 Context。
Context 比較像：
AI 現在這一次工作，手上正在使用的脈絡。
例如我現在跟 Sol 說：
「延續昨天的 V1.8 測試。」
她要理解這句話，就需要知道：
昨天在測什麼？
哪個版本？
做到哪裡？
目前討論的問題是什麼？
這些內容如果現在能進入工作脈絡，
就是 Context。

Context 很重要。
但 Context 有一個很現實的限制：
它不是無限的。
Conversation 很長。
資料很多。
新的內容一直進來。
有些舊內容可能被壓縮、裁切，或根本不在目前可使用的工作範圍裡。
所以：
「以前聊過」
不代表：
「現在一定在 Context 裡。」

再來是 Memory。
Memory 比較像：
有些資訊，我們希望它離開眼前這個 Conversation 之後，仍然可以被保留下來。
例如：
某一個 Architecture 已經被採納。
某一項 Test 已經 PASS。
哪一個版本已經被取代。
哪一個 Candidate 還不能當成 Current Truth。
這些東西如果只存在當下聊天裡，
Conversation 一長，
整個 System 很難真正長期運作。
所以需要 Memory。

可是做到這裡，我以前會犯一個很直覺的錯：
「有存，就等於記得。」
其實不是。
資料存在 Database 裡，
不代表 AI 在需要它的時候找得到。
這就進入第三層：
Retrieval

假設我們有 1,000 筆資料。
真正跟眼前問題有關的只有 20 筆。
其中只有 5 筆看起來很接近。
最後真正具有目前 Authority 的，也許只有 1 筆。
那 AI 真正需要做的事情不是：
「搜尋到很多。」
而是：
找到對的。

這也是為什麼我後來開始覺得：
AI Memory 最危險的問題，不一定是忘記。
有時候更危險的是：
找到錯的記憶，而且非常有自信。

例如：
我們同一個 Architecture 曾經有三個版本。
V1。
V2。
V3。
三份資料都存在。
如果 AI 搜尋後拿到 V1，
內容也確實跟問題高度相關。
從語意搜尋角度來看：
沒有錯。
但如果 V1 已經被 V3 Superseded，
那它在工程上就是：
錯的 Current Answer。

所以我們後來開始做一件很重要的事情：
不是只做「搜尋」。
而是做：
Context Search。
更精確地說：
我們先在 Sandbox 裡做了一套 Context Search。
目前這一部分已經有實際 Implementation 與 Test。
不是只有 Architecture。

我們採用的方式沒有全部丟給 LLM。
裡面有很多很傳統、但很實用的工程元件。
例如：
SQLite。
FTS5。
TF-IDF。
Metadata Filter。
Authority / Supersession Handling。
Query Audit。
Gold Query Test。

為什麼不用一顆更強的模型全部解決？
因為有些問題其實不需要 AI 猜。
例如：
版本日期。
文件類型。
State。
Authority。
Supersession。
這些如果可以用明確規則判斷，
我反而希望它：
不要猜。

這件事情對我的觀念改變很大。
以前看到 AI 系統，很容易什麼都想問模型：
「這兩份文件哪個比較重要？」
「這是不是最新版？」
「這個資料可不可以相信？」
但如果這些資訊本來就存在 Metadata 裡，
為什麼不直接讀？

所以我們的搜尋流程開始變成：
先用明確條件縮小範圍。
再做文字與語意相關度。
再看 Authority / Supersession。
最後把候選結果與來源一起帶回。
這樣 Sol 拿到的不是：
「我覺得這段很像。」
而是：
「這是目前最符合條件的候選，而且我知道它來自哪裡、目前是什麼 State。」

這也是我現在很在意的一件事：
Retrieval 本身也需要 Governance。
搜尋不是：
找到文字就結束。
還要問：
來源是什麼？
版本是什麼？
現在還有效嗎？
有沒有被取代？
是正式 Decision？
還是 Candidate？

所以我們後來很常講三句話：
Memory needs provenance.
Search needs authority.
Retrieval needs audit.

Provenance 告訴我們：
這東西哪裡來的。
Authority 告訴我們：
它現在有沒有資格被相信。
Audit 告訴我們：
這次 AI 到底是怎麼找到它的。

而為了避免我們只是覺得：
「搜尋看起來不錯。」
我們還做了 Gold Query。
也就是先準備一組：
我們知道正確結果應該是什麼的問題。
然後讓 Search System 去找。
如果找錯，
就回來調整。
不是：
「模型回答得很漂亮，所以應該沒問題。」
而是：
有 Expected Result，才有辦法 Test Retrieval。

這跟昨天 Day 06 的：
No Evidence. No Completion.
其實是同一條線。
昨天是：
System State 有沒有 Evidence。
今天變成：
Search Result 有沒有 Evidence。

所以現在如果有人問我：
「Sol 有 Memory 嗎？」
我不太會只回答：
有。
我反而會繼續問：
哪一種 Memory？
資料有沒有 Provenance？
現在是什麼 State？
需要時找得到嗎？
找回來的是不是 Current Truth？
Retrieval 有沒有 Audit？

因為：
有存 ≠ 找得到
而且：
找得到 ≠ 找對

這也是為什麼我現在不太相信：
「只要把所有東西丟進 Vector Database，AI 就會有記憶。」
那比較像：
你有一間很大的倉庫。
但如果沒有分類。
沒有版本。
沒有 Authority。
沒有 Provenance。
需要東西的時候還是不知道該拿哪一個。

Day 07 寫到這裡，第一週其實也差不多告一段落。
我們從：
「我和 AI 一起打造 AI」
一路拆到：
System。
Authority。
Evidence。
Context。
Retrieval。
第二週開始，我要正式進入：
Memory。
而第一個問題就是：
如果我們想讓 AI 長期記得，
是不是應該：
什麼都存？
我的答案現在是：
不是。
甚至我會說：
有時候，記得太多反而更危險。
Day 08：
Memory 不是把所有東西都塞進資料庫。