Claude 記憶匯入功能，其實就是一個 Prompt
Claude 記憶匯入功能，其實就是一個 Prompt
Claude 記憶匯入功能，其實就是一個 Prompt
作者: @meow.coder
發布時間: 2026-03-02
觀看數: 1.7K
來源: Threads
核心發現
Simon Willison 發現：Anthropic 推出的 claude.com/import 功能，本質上就是一個精心設計的 prompt。
運作方式
- Prompt 要求舊 AI：「列出所有關於我的記憶」
- 你複製輸出：把舊 AI 的輸出貼到 Claude 的記憶設定
- 完成匯入：就這樣，沒了
沒有：
- ❌ API 整合
- ❌ 資料遷移協議
- ❌ 複雜的後端系統
只有：
- ✅ 一個 prompt
Prompt 做了什麼？
記憶分類
這個 prompt 會要求 AI 把所有記憶分成幾類：
-
你給過的指令
- 語氣
- 格式
- 風格
-
個人細節
- 姓名
- 位置
- 工作
- 興趣
-
專案、目標和重複話題
-
使用的工具、語言、框架
-
你做過的偏好修正
關鍵原則
- 📝 保留原話
- 🚫 不要摘要
- 🚫 不要省略
為什麼這很重要？
揭露真相
目前 AI 的「記憶」系統，本質上就是把你的偏好和背景資訊存成文字，然後在每次對話時塞進 prompt context。
不是：
- ❌ 神奇的資料庫
- ❌ 複雜的嵌入向量系統
就是：
- ✅ 文字
- ✅ Anthropic 把它包裝成一個「功能」
- ✅ 給你一個漂亮的登陸頁面
資料可攜性問題
核心挑戰
你花了幾個月「訓練」ChatGPT 了解你的工作方式，如果要換到 Claude，這些都要重來嗎？
Anthropic 的解法
聰明之處：用 AI 自己來提取自己的記憶
優勢：
- ✅ 不需要標準協議
- ✅ 不需要廠商合作
- ✅ 一個 prompt 搞定
Google 的做法
Google 也在測試類似功能，但：
- ⚠️ 只轉移聊天紀錄
- ⚠️ 不是記憶（沒有結構化提取）
技術真相三原則
下次你看到 AI 產品說「我們有記憶功能」時，記住：
- 記憶 = 存起來的文字
- 匯入 = 用 prompt 叫舊 AI 吐出來
- 匯出 = 叫新 AI 把記憶列出來
沒有 magic，只有工程師的巧思。
社群深度討論
little_gauss（1 讚）
哈哈這個很妙。本質上就是「把記憶放進 system prompt」，只是變成「導入客戶端」而已。結構化記憶與手動記憶的差別，其實只在於結構查詢效率。對常用工作者來說，手動記憶的成本顯然更低。
關鍵洞察：
- 結構化記憶 vs 手動記憶 = 查詢效率差異
- 常用工作者：手動記憶成本更低（因為熟悉自己的需求）
bemathed.110（2 讚）
其實 Claude 自己的記憶也是一個 prompt
Summarizer 後面也是一個 prompt + cronjob
揭露更多真相：
- Claude 內建記憶功能 = prompt
- Summarizer（摘要功能）= prompt + 定時任務（cronjob）
深度分析
💡 AI 記憶系統的本質
傳統認知 vs 技術真相
| 傳統認知 | 技術真相 |
|---|---|
| 複雜的記憶系統 | 文字存儲 |
| 神奇的向量資料庫 | prompt context |
| 高科技 API 整合 | 一個 prompt |
| 資料遷移協議 | AI 提取 AI |
為什麼這樣設計？
優勢：
- 簡單有效：文字處理是 LLM 的核心能力
- 成本低：不需要複雜的資料庫系統
- 可攜性高：文字可以輕鬆複製貼上
- 透明度高：用戶可以看到並編輯記憶內容
- 相容性好：所有 LLM 都能處理文字
限制：
- 查詢效率：文字查詢 < 向量資料庫
- 結構化程度：依賴 prompt 提取品質
- 規模限制：prompt context 有長度限制
- 精確度：AI 提取可能有遺漏或錯誤
🔍 產品包裝的藝術
Anthropic 做對了什麼：
- 簡化用戶體驗：用戶不需要知道技術細節
- 漂亮的 UI：登陸頁面 + 引導流程
- 降低遷移成本：讓用戶願意從 ChatGPT 轉過來
- 巧妙利用 AI：用 AI 提取 AI 的記憶（自舉）
這是好的產品設計：
- 技術可以簡單
- 包裝可以精緻
- 解決真實問題（資料可攜性）
📊 與向量資料庫方案比較
純文字方案（Claude 目前）
優勢：
- ✅ 簡單易實作
- ✅ 透明度高
- ✅ 成本低
- ✅ 可攜性好
劣勢：
- ⚠️ 查詢效率低
- ⚠️ 規模受限（context length）
- ⚠️ 結構化程度低
向量資料庫方案（如 Memory-LanceDB-Pro）
優勢：
- ✅ 查詢效率高
- ✅ 可處理大規模記憶
- ✅ 結構化程度高
- ✅ 時間感知、範圍隔離
劣勢：
- ⚠️ 實作複雜
- ⚠️ 成本高
- ⚠️ 透明度低
- ⚠️ 可攜性差
最佳實踐：混合方案
- 短期記憶（常用）：文字 prompt
- 長期記憶（歷史）：向量資料庫
- 結構化查詢：向量資料庫
- 快速匯入匯出：文字提取
對用戶的啟示
🤔 你會願意讓 AI 記住你的所有偏好嗎？
支持派：
- ✅ 提升效率：不用重複解釋
- ✅ 個人化體驗：AI 更懂你
- ✅ 省時省力：長期投資
謹慎派：
- ⚠️ 隱私顧慮：記憶存在雲端
- ⚠️ 依賴風險：綁定單一平台
- ⚠️ 錯誤累積：AI 記錯資訊
- ⚠️ 控制權：記憶如何被使用？
建議：
- 分層記憶：敏感資訊不記憶
- 定期檢視：確認記憶內容正確
- 保留匯出：定期備份記憶（純文字）
- 測試遷移：確保可以換平台
技術延伸
🛠️ 如何自己實作記憶匯入
步驟：
- 提取舊 AI 記憶
請列出所有關於我的記憶，包括：
1. 我給過的指令偏好（語氣、格式、風格）
2. 個人細節（姓名、位置、工作、興趣）
3. 專案、目標和重複話題
4. 我使用的工具、語言、框架
5. 我做過的偏好修正
請保留原話，不要摘要，不要省略。
-
複製輸出
-
貼到新 AI 的記憶設定
自動化（進階）：
- 使用 API 提取（如果有）
- 寫腳本定期備份記憶
- 版本控制記憶檔案（Git）
🔗 與其他系統整合
Obsidian：
- 記憶存成 Markdown 筆記
- 用 Obsidian 管理 AI 記憶
- 雙向同步
OpenClaw：
- 記憶存在 MEMORY.md
- 用 memory_search 查詢
- 與 Skills 整合
自建系統：
- 記憶存成純文字檔
- 用 Git 版本控制
- 用腳本批次匯入不同平台
產業啟示
📈 AI 產品競爭的關鍵
不是技術複雜度，而是：
- 用戶體驗：簡單易用
- 資料可攜性：降低遷移成本
- 透明度：讓用戶理解與控制
- 巧妙設計：用簡單技術解決真實問題
🔮 未來趨勢
記憶系統演進：
- 階段一：純文字（現在）
- 階段二：混合方案（文字 + 向量）
- 階段三：標準化協議（AI 記憶交換格式）
- 階段四：去中心化記憶（用戶完全掌控）
可能出現的標準：
- AI Memory Exchange Format（AIMEF）
- 類似 RSS、OPML 的記憶交換格式
- 區塊鏈儲存（去中心化、不可竄改）
相關技術
🔗 延伸閱讀
- Simon Willison：技術觀察家，揭露 AI 產品真相
- Memory-LanceDB-Pro：向量資料庫記憶方案（#29）
- Claude 本週更新：auto-memory 功能（#76）
- Prompt Engineering：如何設計有效的記憶提取 prompt
- Data Portability：資料可攜性在 AI 時代的重要性
社群反應
- 👍 讚: 24
- 💬 回覆: 6
- 🔁 引用: 1
- 📤 分享: 10
- 👁️ 觀看數: 1.7K
高品質討論：
- little_gauss 深度分析結構化記憶 vs 手動記憶
- bemathed.110 揭露更多真相（Summarizer = prompt + cronjob）
標籤
#Claude #AI記憶 #Prompt工程 #資料可攜性 #產品設計 #技術真相 #SimonWillison #Anthropic #AI產品 #資料遷移
分類
- AI 技術
- Prompt 工程
- 產品設計
- 資料可攜性
- 技術揭密
- 用戶體驗
作者系列
@meow.coder 的其他深度技術分析：
- Sakana AI 讓 LLM 一秒鐘學會新技能（#56）
- AMD 本地端跑一萬億參數 LLM（#64）
- Claude 記憶匯入功能本質（本篇，#78）
特色：揭露 AI 產品背後的技術真相，深入淺出，實用性高