开篇先问个问题：你是更喜欢和熟人交流，还是和陌生人交流？
当然，也有人会说，我就喜欢和陌生人交流。那我只能说一句：社牛。
通常情况下，人还是更愿意和熟人交流。有可能越熟，聊得越多，这叫有说不完的话；也可能越熟，表达得越简洁，很多背景和前提都可以省略，这叫有默契。
其实，和AI交流也有点像。AI掌握的背景越多，我需要重复说明的内容就越少。有时即使新建一个对话，它仍然可以通过记忆知道我的职业背景和表达偏好，回答也会更贴合我的实际需要。
但这种“记得”并不意味着所有信息都会在不同空间之间自动流转。职业背景等长期信息可能通过记忆继续使用，具体项目的文件、事实和特殊要求，仍然需要放在相应的对话、项目或者知识文件中。
实际上，当前对话、上下文、记忆、项目和知识库都可能影响AI的回答，但它们保存和调用信息的方式并不相同。要判断一项信息为什么没有被使用，又应当补到哪里，首先要分清AI这一次能够看到什么、哪些信息可能跨对话继续使用，以及需要时可以去哪里查找资料。
一、上下文决定AI这一次能够看到什么
向AI提交一份合同，再补充“请站在销售方立场审查，重点关注交期和违约责任”，待审合同和补充要求都会进入当前任务。
模型生成回答时，可以使用的内容通常不止这一条消息。前面的对话、上传的文件、产品预设的指令、从知识文件中检索到的片段，以及工具返回的结果，都可能参与本次回答。这些当前可以被模型处理的信息，可以统称为上下文。
以合同审查为例，模型要分析交付、付款和违约责任之间的关系，需要同时看到合同中的相关条款。如果部分约定只写在附件中，而附件没有上传或者没有被正确读取，模型就可能在材料不完整的情况下继续分析。问题出在当前任务缺少必要上下文，不一定说明模型完全不具备相应能力。
所以，使用AI得到相对准确、稳定且可以复现的结果，一个重要前提，就是提供充分、准确且与当前任务相关的上下文。现在，司法系统中已经有部分法院开始探索使用AI辅助案件材料整理、类案检索、文书生成和审判管理。我们团队在研究和测试LawBuddy的过程中也发现，完成当前任务所需要的上下文越充分，AI越不容易脱离现有材料进行过度推理和臆想，形成的分析结论也越容易核验。
就像以深圳中院为代表的各地司法系统也开始进行AI辅助司法审判。司法审判是一个很能说明上下文重要性的场景。一个案件进入审判程序后，原告会提交起诉状，说明诉讼请求、事实和理由；被告会提交答辩状，回应原告的主张；双方还会分别提交证据、质证意见、代理意见和其他诉讼材料。法官作出判断时，看到的并不是一个孤立的问题，而是由各方主张、案件事实、证据材料和法律依据共同构成的完整案件背景。
这些材料如果能够被准确读取并组织起来，也就为AI提供了相对充分的上下文。AI不再需要根据一句简单描述猜测案件经过，而是可以围绕原告主张什么、被告如何回应、各自提交了哪些证据、争议焦点在哪里进行检索、归纳和比对。与案件争议相关的上下文越完整、组织越清楚，AI越容易把分析限定在已有材料和争议范围内，减少脱离案件事实进行过度推理或者自行补充前提的情况。
但是，随着对上下文的重视不断增加，又容易出现过犹不及的情况。不论材料是否重要、与当前问题是否真正相关，只要稍微沾边，就一股脑地塞给AI读取。这样不仅不一定提高回答质量，反而可能造成重点偏移。
很多人说，现在的人都缺乏注意力，因为注意力总会被各种各样的信息吸引。注意力被消耗殆尽的后果，就是抓不住主线，忙忙碌碌一天，却不知道自己究竟在干什么。对AI来说，也存在类似的问题：提供的信息越多，并不代表它越能准确抓住重点。
从实际使用效果来看，造成AI回答偏移的原因可能有很多。上下文具有容量限制，随着对话轮次和材料数量增加，早期内容可能被压缩、截断，或者没有在当前回答中得到充分关注；无关信息、过时要求和已经放弃的方案也可能持续占据上下文，使模型难以判断哪些内容才是当前真正有效的要求。
之前看过腾讯的一个公众号，这里也顺便推荐一下——“腾讯技术工程”。里面的内容非常干，干到我有些时候甚至看不太懂。但不知道是不是学法律导致的，现在看到一个东西，就总想研究它背后的机制和原理，所以只能逼着自己继续看。
这个公众号有时会发布一些AI理论和工程实践方面的内容，我也算是把自己硬啃下来的干货，再转述成相对容易理解的白话。
书归正题。这个公众号曾经发过一篇文章，其中一位腾讯AI产品工程师介绍了使用AI时怎样“讲卫生”。他的核心建议是：不要让一个会话逐渐变成堆积历史日志、工具调用记录和过时要求的“垃圾桶”。任务发生变化、对话已经明显跑偏，或者间隔较长时间以后再继续推进，都可以考虑新建对话，而不是依赖模型不断翻查冗长的历史记录。
文章中还给出了一些更具体的经验判断：
别让会话变垃圾桶。超长会话堆积历史日志和工具调用记录，模型翻旧账，又贵又慢。换任务就开新对话，跑偏了重开重说背景，距上一条超一小时也重开。只有同一任务连续推进且不足一小时，留原对话才划算。
这个判断，确实让我有一种醍醐灌顶的感觉，不亚于之前另一位现实中认识的腾讯工程师问我：“你现在还手写文章的吗？”
要知道，在读到这篇文章之前，我可是一直把自己的“历史会话”当个宝。那会儿正是已经知道上下文重要，却还不知道怎样管理上下文的时候。我只认识到，这个历史会话里的内容都是长期积累，也是经过我反复矫正、确认和沉淀下来的成果，所以舍不得放弃。只要稍微沾边，同类型或者具有接续关系的事项，我都会继续放在这个历史会话中推进。
结果就是，会话越来越长，旧要求和新要求交织在一起，已经放弃的方案也可能继续产生干扰。使用体验上最直观的感受就是：AI好像被我越用越笨了。
我又想到开发LawBuddy产品时的一件事。有一次版本更新后，我发现原来常驻在界面左侧的多个对话，被折叠进了一个需要找半天才能找到的“历史会话”栏目。我当时还一本正经地要求技术专家改回去，理由是：
围绕一个项目新建的多个对话，大部分时候不是先后顺序或者新旧关系，而是本身就在并行使用。对话常驻在屏幕左侧，会更方便来回查阅。
现在来看，当时还是太年轻了。
“历史会话”就应该成为历史，被折叠、被降低存在感。一个会话尽量围绕一项明确任务持续推进；如果已经出现超长会话堆积、任务明显跑偏，或者需要间隔较长时间才能继续，就可以果断新开对话。
那有人可能会问：新开对话以后，之前的背景不就都没有了吗？
即使有一些内容已经沉淀为文件，确实仍会有一部分经过确认的背景情况、任务进展和下一步动作只存在于原来的上下文中。这个时候，我的经验是，直接让AI生成一份新对话接续提示词：
我准备新开一个对话继续当前任务。请生成一份可以直接用于新对话的接续提示词，至少包括：应当读取的文件、任务目标、整体规划、已确认的事实和结论、目前进展、待解决问题以及下一步动作。
已经确认的事实、要求、结论和待解决问题，可以先让AI重新汇总成一份任务摘要，再将这份摘要与当前权威版本和必要原始材料一起带到新的对话中。这样既能保留真正需要接续的信息，也可以减少早期试探、重复表达和已经放弃的方案继续干扰后面的回答。
这种做法可以理解为主动整理和压缩上下文。
二、记忆用于跨对话保留部分信息
如果说上下文主要解决的是“这一次对话中，AI能够看到什么”，记忆解决的则是“换一个对话以后，哪些长期信息还可以继续使用”。
我现在新建一个ChatGPT对话，有时不需要再从头介绍自己。它可能已经知道我是法律从业者，平时主要使用中文，偏好回答结论先行，也知道我对文章修改、合同审查和文件处理的一些长期要求。
这就是记忆最直观的作用：让AI保留一部分跨对话仍然有用的信息，减少用户反复交代长期背景。
按照OpenAI目前的产品设计来理解，ChatGPT的记忆主要可以从两个层面理解。一个是“已保存的记忆”，用于保留姓名、职业、偏好和长期目标等相对稳定的信息；另一个是“引用聊天记录”，允许ChatGPT在后续对话中参考过去聊天里与当前问题有关的信息。其他AI产品中的类似功能也可以类比，毕竟“天下AI一大抄”。
二者都不是把过去的所有对话逐字复制到新窗口中。对于希望系统长期稳定使用的信息，更适合明确保存为记忆；过去聊天中的其他细节能否在后续回答中被调用，则取决于系统判断。
所以，记忆不能简单地理解成一份完整的个人档案，更不能理解成AI会原样记住用户说过的每一句话。可以先把它理解为系统对长期有用信息形成的一份动态摘要。哪些内容被保留、怎样表述、什么时候被调用，都可能随着后续对话不断调整。
需要与记忆区分的是，一份完整的合同审查指导书、企业风险等级指引、某个案件的全部事实材料，或者一套必须逐字执行的工作规则，并不适合只交给记忆。
记忆可以记住“我有一套固定的合同审查口径”，却未必能够准确保存其中每一项风险等级和修改建议。需要精确执行的内容，仍然应当保存在可以逐字核对、随时修改并进行版本管理的文件中。
我已经开启ChatGPT记忆，让它尽可能保留我的职业背景、表达偏好和长期使用习惯；在Codex中，则更多依靠具体项目、对话历史和工作区文件接续任务。这样可以少做一些重复介绍，但真正需要准确执行的规则，仍然以本地文件为准。
此外，Codex还可以在“个性化”中设置自定义指令。个人使用感受上，它和记忆有些相似，都能减少重复介绍背景和要求的工作；但两者的机制并不相同。记忆主要由系统根据对话动态整理和调用，自定义指令则是由用户主动写入、持续生效的明确规则。
下面把我在Codex中使用的全局自定义指令放出来供大家参考。这份指令经过多次迭代，公开时进行了适当压缩和脱敏：
关于我
我主要从事法律及相关专业工作，长期关注专业工作、内容生产、AI工具、知识管理和个人事项管理。
我使用Codex的核心目的，是把本地文件、项目规则、事项记录、文章资料和分析结论维护成可以持续复用的知识系统。
基本偏好
- 默认使用中文沟通，结论先行，再给理由；
- 提供真实判断、具体步骤和可以追溯的依据；
- 不要客套、谄媚或者空泛夸奖；
- 如果我的想法有问题，直接指出，并给出更稳妥的替代方案。
工作原则
- 先明确要解决的问题、已确认事实、待验证假设和最稳妥的处理路径；
- 进入项目后，先检查已有规则、说明文件和目录约定；
- 已有规则时严格遵守，没有规则时不要自行编造结构；
- 当我说“先讨论”“先给方案”“不要落盘”时，不得修改文件；
- 当我明确要求“执行”“保存”或者“落盘”时，再进入写操作；
- 文件修改默认采用小步、可审查的方式，不做无关重构，不删除无关内容。
知识管理
- 准确性优先于完整性，过期信息比没有信息更危险；
- 能替换旧结论时，不重复追加；
- 能合并同类内容时，不制造多份相似记录；
- 重要结论保留适用边界和参数前提；
- 不把一次讨论、阶段经验或者情绪表达直接升级为长期原则。
判断与核验
- 涉及重要规则、产品信息、政策变化和重大决策时，主动核验；
- 区分事实、用户判断、AI判断、文章观点和待验证假设；
- 测算问题应当列明参数、假设、公式、结果和风险边界；
- 不编造路径、字段、命令、配置或者信息来源；
- 不自动执行不可逆操作，也不自动推送代码，除非我明确要求。
这份自定义指令虽然作了压缩，仍然能看出它与记忆承担的功能并不完全相同。
“我主要从事法律及相关专业工作”“偏好中文和结论先行”，更接近可以由记忆保留的长期背景；“不要在我说先讨论时修改文件”“写操作采用小步、可审查的方式”，则属于需要明确、稳定执行的操作规则，更适合写进自定义指令或者项目规则文件。
换句话说，记忆更像AI逐渐形成的“对我的了解”，自定义指令则更像我主动提供给AI的“使用说明书”。
记忆也不是一个只能由系统决定、用户无法干预的黑箱。用户可以查看记忆摘要，也可以直接问一句：“你现在记得我的哪些信息？”如果发现其中有内容过时、理解错误或者不希望继续保留，可以要求系统修改、删除或者不再使用。
OpenAI目前也允许用户关闭记忆，或者使用临时聊天，让这次对话不调用已有记忆，也不为以后的对话创建新的记忆。
我自己偶尔也会检查一下AI到底记住了什么。这种检查并不是多此一举。人的工作岗位、关注重点和表达习惯都会变化，一项两年前形成的偏好，放到现在未必仍然适用。如果记忆长期没有校正，原本用来提高效率的背景信息，也可能反过来限制AI对新任务的理解。
检查记忆有时还有另外一种玩法，就是直接新开一个对话，要求AI根据对你的记忆，对你进行描述和评价。喜欢被骂的话，可以再加一句：
请客观、中立、不谄媚也不委婉地，根据你对我的记忆作出评价。
相信我，AI的回答一定很刻骨铭心。
因此，记忆的价值不在于保存得越多越好，而在于保留下来的内容是否长期有效。稳定的背景和偏好可以交给记忆，明确的操作要求可以写进自定义指令，精确的规则和完整的项目材料仍然交给文件；一旦发现记忆已经过时，再及时修改或者删除。
三、项目和自定义GPT如何使用这些信息
项目、自定义GPT、上下文、记忆和知识库并不属于同一类概念。项目和自定义GPT更接近产品提供的工作空间或者定制工具；上下文、记忆和知识库，则是在解释信息以什么方式保存、调用并进入当前任务。
先说项目。
ChatGPT项目适合围绕一项需要持续推进的具体事项来组织工作。一个项目里可以集中放置相关对话、上传文件和项目指令。项目指令只在当前项目中生效，并会覆盖全局自定义指令。这样一来，围绕同一篇文章、同一个案件或者一项长期规划形成的材料，不需要散落在不同对话中，也不必每次重新上传和说明。
项目还可以使用项目记忆，但项目并不一定天然与项目外的个人记忆和对话完全隔离。创建项目时，可以选择默认记忆或者仅限项目记忆。在默认记忆下，个人账号已经保存的记忆仍可能在项目中发挥作用，ChatGPT也会优先参考当前项目中的聊天和文件；选择仅限项目记忆以后，项目就不会调用项目外的个人记忆和其他对话。共享项目则会自动采用仅限项目记忆。
这也是为什么，进入一个新项目以后，AI可能仍然知道我的职业背景和表达偏好，却不知道这个项目的具体事实和最新进展。前者可能来自个人记忆，后者仍然需要通过项目聊天、文件和项目指令提供。项目解决的不是“让AI记住我的一切”，而是把一项具体工作需要的信息集中到相对稳定的空间里。
对于我来说，一篇需要长期修改的文章、一个持续推进的案件或者一项个人规划，都适合分别建立项目。围绕这件事形成的讨论、参考资料、当前版本和特殊要求，可以放在同一个项目里。即使新建对话，也不必每次都从最基础的背景重新说起。
现在，“法律人周全”公众号文章的配图，我基本都会通过ChatGPT项目“法律人周全生图流程”完成。参考图片、封面比例、文字安全规则和已经确认的视觉风格都集中放在这个项目里，新建对话后仍然可以沿用。
自定义GPT解决的是另一个问题。
自定义GPT通常不是围绕某一个具体项目建立，而是围绕一类会反复出现的任务，预先配置固定的处理方式。一个自定义GPT可以包含指令、知识文件和可以使用的能力与工具。指令规定它应当怎样完成任务，知识文件提供回答时可以参考的资料，可以使用的能力和工具则决定它能否联网搜索、处理文件、生成图片或者连接外部服务。
以我一直使用的合同审查GPT为例，审查立场、风险分级方法和输出格式写在指令中，合同风险等级指引和合同审查指导书作为知识文件保存。实际使用时，再上传本次需要审查的合同，补充交易背景和特殊要求。
这样做以后，不论审查的是采购合同、销售合同还是服务合同，这个GPT都会先采用相对固定的审查方法。但它能够保持这种稳定性，主要依靠预先配置的指令和知识文件，并不是因为它记得过去审查过的每一份合同。
按照OpenAI目前的产品规则，自定义GPT不会调用用户在普通ChatGPT中保存的个人记忆、全局自定义指令或者过去的对话。每次通过这个自定义GPT新建对话时，当前会话的具体背景都会重新开始。
也就是说，我的合同审查GPT可能知道“审查合同应当采用什么立场和格式”，却未必知道我最近调换了岗位、正在处理哪个具体项目，或者上一份合同最终采用了什么修改方案，除非这些内容被重新放进当前对话。
如果一定要打个比方，项目更像一个围绕具体事项建立的专案文件夹，自定义GPT则更像一个已经接受过固定培训的专用工具。
项目关注的是：
这件事情目前有哪些对话、文件、要求和进展？
自定义GPT关注的是：
遇到这一类事情时，应当按照什么方法处理？
四、知识库保存需要反复调用的专业资料
知识库也是让无数法律人，或者说无数严谨的专业人士魂牵梦萦的东西。甚至有不少大律所和企业进行所谓AI转型，第一步就是建设内部知识库。
要我说，还是被AI幻觉吓得太惨了。
知识库是什么，其实并不难理解。即使不了解AI背后的技术原理，大多数人也知道，知识库就是用户主动收集、整理并放进去的一批资料。
对法律人来说，可以放进去的内容包括法律法规、司法案例、学术文章、实务文章、企业制度、合同模板、历史审查意见和其他专业资料。它们不是AI对用户形成的个人印象，而是可以反复查询、回到原文核对，并且由用户持续补充和更新的外部资料。
把这些资料提供给AI，是为了让它在回答专业问题时有更可靠的依据，减少仅凭一般知识进行猜测，或者脱离现有材料自行发挥的情况。对于法律工作来说，这一点尤其重要。法律结论通常需要回答依据是什么、来自哪一条法律规定、哪一份合同或者哪一个案例，而不能只看AI生成的文字是否流畅、逻辑是否完整。
当然，把资料放进知识库，并不意味着AI从此就不会产生幻觉。知识库提供的是相对可靠、可以核对的资料来源，但系统还需要找到与当前问题真正相关的内容，并且正确理解和使用这些内容。如果资料本身已经过期、相互冲突，或者系统没有检索到关键内容，AI仍然可能得出错误结论。
记忆则明显不同。它记录的通常不是完整的法律法规、案例或者制度文件，而是一些相对抽象、概括性的长期信息，例如用户的职业背景、语言偏好、表达习惯、工作方式和长期目标。
例如，“我从事法律工作，修改文章时希望保留个人化表达”，适合交给记忆；合同审查规则、文章写作规范、法律法规和案件材料，则更适合放入知识库或者工作区文件。
二者真正需要放在一起说明的地方，不是因为知识库和记忆本身容易混淆，而是因为它们都可能让AI在新的对话中使用用户没有重新输入的信息。但背后的路径不同：记忆让AI延续对用户背景和偏好的了解，知识库则为AI提供完成专业任务时需要查询和核对的资料。
知识库中的资料要影响当前回答，仍然需要进入本次上下文。第一篇文章介绍过的RAG，就是一种常见路径：系统先从知识库中检索与当前问题相关的内容，再把检索结果提供给模型，由模型结合这些资料生成回答。
因此，三者可以这样理解：
知识库解决“有哪些资料可以使用”，RAG解决“这次任务怎样找到并使用相关资料”，上下文则反映“模型在这一次回答时实际拿到了什么”。
不过，把文件放进知识库，并不意味着知识库建设就已经完成。
很多人刚开始建设知识库时，最直接的想法就是资料越多越好。看到法律法规就放进去，看到案例就放进去，看到一篇不错的文章也放进去。文件越来越多，看起来知识库越来越丰富，但真正使用时，AI未必更容易找到答案。
知识库不是越大越好，准确性、权威性和适用性通常比数量更重要。
一般审查规则、企业正式口径、个人经验和单个项目中的特殊处理，如果不区分适用范围，全部混在一起，AI检索到的内容越多，反而越难判断应当以哪一份为准。过期版本、重复文件和相互冲突的规则，有时比完全没有资料更危险。
例如，同一类合同可能同时存在旧版审查指引、新版风险等级标准、某个项目中的临时处理方案，以及历史合同中的特殊修改意见。如果这些文件没有标明版本、日期和适用范围，AI可能会把项目例外当成通用规则，也可能引用已经失效的旧版本。
因此，知识库中的资料需要持续维护。如果不知道怎么维护，或者觉得每次上传文件都要分类、更新、标记版本太麻烦，也不必自己全部手工完成，可以让AI参与文件整理、重复内容识别、版本比对和失效信息标记。
但对于知识库，也没有必要神化，更不要抱有过大的信心和依赖。这里可以分两个层面来看。
第一，不要小看通用大模型本身已经具备的能力。
前文介绍过LLM。大语言模型在训练阶段接触过大量公开文本，形成了相当广泛的一般知识和语言模式，并表现出一定的推理能力。这也是为什么，大部分情况下，不论用户提出的问题多么奇怪，AI似乎都能有鼻子有眼地回答几句。
第二，也不要高估自己建设知识库的能力。
不少律所和企业内部的AI系统，都强调建设内部知识库。如果知识库主要保存企业或者律所内部的规章制度、审查口径、业务指引、模板和历史经验，这恰恰是知识库非常有价值的场景。因为这些资料本来就不属于公开知识，通用模型通常不会知道，也不可能准确掌握某家企业内部怎样划分风险等级、采用什么审批流程。
但如果把知识库的范围扩展到“法学知识”“司法实践”“法律法规”这样宏大的层面，问题就复杂了。
有谁敢保证自己设计、收集和建立的知识体系没有漏洞和遗漏？法律法规不断更新，司法案例数量庞大，不同法院的裁判思路也可能存在差异；学术文章和实务观点更不可能被某一个内部知识库完整收录。
如果为了避免AI幻觉，就通过提示词或者系统设置，尽量要求AI只能从一个覆盖有限的内部知识库中检索、匹配和输出内容，那么知识库本身的遗漏就可能直接变成AI的认知边界。即使如此，也不能保证AI完全不会在资料之外作出推断；更现实的问题是，它还可能因为资料不完整，而漏掉本来应当考虑的重要规则和观点。
所以，还是那句话：以平常心面对知识库。
不要神化知识库，也不要指望一次建设完成以后就可以一劳永逸。通用模型、内部知识库、外部权威资料和人工专业判断各自解决不同的问题。真正可靠的系统，不是把所有希望都寄托在某一个知识库上，而是知道什么时候依靠模型的一般能力，什么时候检索内部资料，什么时候必须核对最新法律法规和案例，以及什么时候最终需要由人作出判断。
五、三个概念放在一起看
上下文、记忆和知识库不是三个并列的“存储空间”。它们分别解释当前任务、跨对话信息和外部专业资料怎样影响AI的回答。
| 概念 | 主要解决的问题 | 适合承载的内容 | 最基本的管理方法 |
|---|---|---|---|
| 上下文 | AI本次能够看到什么 | 当前问题、对话、上传文件、指令和工具结果 | 对话过长时先整理摘要，必要时携带接续材料新建对话 |
| 记忆 | 哪些背景可以跨对话延续 | 职业、偏好、长期目标等相对稳定的信息 | 定期查看和修正，不依赖记忆保存精确规则 |
| 知识库 | 专业资料存放在哪里，供系统查询 | 制度、指引、案例、模板和其他可以复用的资料 | 区分适用范围，并通过真实任务测试和调整 |
三者之间还存在一条基本关系。记忆和知识库中的信息只有被当前任务调用，进入模型可以处理的上下文，才会影响这一次回答。反过来，本次上下文中的临时内容也不会自动变成长期记忆或者知识库资料。
法律工作中既有需要反复适用的审查标准，也有只服务于某个项目的事实和交易安排。区分上下文、记忆和知识库，实际是在区分当前材料、长期背景和专业资料。概念分清以后，出现问题时也更容易确定应当补充当前对话、调整记忆，还是回到知识文件本身。
这篇文章讨论的是信息放在哪里、如何被调用，以及最终怎样进入当前上下文。下一篇继续讨论反复使用的工作方法应当放在哪里：一项要求什么时候只需要写进Prompt，什么时候值得整理成Skill，又在什么情况下需要形成Workflow。