你的AI记忆的可信度分数是嵌入模型的外键，该模型可能在六个月后不复存在。
摘要
关于AI记忆系统的一个关键观察：当模型被替换时，与嵌入模型绑定的可信度分数会失效，而由于嵌入向量发生变化，重新校准也变得毫无意义。作者质疑是否有人在不重建信任逻辑的情况下解决了这个问题。
更换模型，重新索引，六个月积累的校准在一夜之间变得毫无意义。输出仍然看起来合理。这才是最要命的地方。是否有人真的在不从头重建信任逻辑的情况下解决了这个问题？
相似文章
无人提醒的AI记忆迁移：指向已不存在嵌入模型的信任分数。
文章警告称，在生产环境中迁移到新嵌入模型时，先前校准的信任分数和阈值将失效，但系统仍可能输出看似合理但存在细微错误的结果，导致静默退化。
AI记忆系统使用时间越长，越难信任
AI记忆系统随着时间的推移往往会回忆起过时或错误的信息，凸显了为AI智能体维护长期记忆信任度的挑战。
大多AI记忆系统是无意间只增不减，而非有意为之。后果显而易见。
本文批评AI记忆系统默认采用只增不减的机制，导致随时间推移产生冲突信号和知识管理不善，并质疑是否有人真正在解决这一问题，而不仅仅是依赖更好的嵌入技术。
没人警告你，AI记忆存在六个月的悬崖期。我们过于专注于扩大记忆容量，却忘了让它变得可维护。真有人在解决这个问题，还是只是在增加存储空间然后寄希望于此？
这篇文章强调了AI记忆在六个月后变得不可靠的问题，出现矛盾和信息摘要漂移，并质疑业界是否专注于增加存储容量而非提升可维护性。
AI身份能否从外部记忆结构中涌现？
一份研究报告，详细描述了构建外部记忆架构的受控实验，该架构能够实现独立于模型权重的持久性AI身份。研究发现，在三种拓扑结构中，积累的片段历史在塑造输出方面始终主导系统提示。