AI 的「金鱼记忆」问题

用 AI 干活最消耗耐心的一件事：它不记得你。昨天刚讲过的项目背景，今天要重新交代一遍；上周定义好的部署流程，这周又得从头描述。对话式 AI 的上下文窗口再大，会话结束一切归零。

社区把这个问题叫「金鱼记忆」。各家方案都在补——ChatGPT 有 Memory，Claude 有 Projects，但这些记忆都锁在厂商的云里。NexusDock 的 Recall 走的是另一条路：自托管的长期记忆，存在你自己的节点上，Git 版本化，语义检索，跨设备共享。

Recall：你的 AI 记忆工作区

它是什么形态

Recall 本质是一个带结构的记忆工作区：你把希望 AI 长期记住的东西写进去——项目背景、技术栈约定、部署流程、个人偏好、常见决策——NexusDock 把这些内容向量化，之后任何接入的 AI 客户端都能按语义检索。

和往系统提示词里贴一堆资料相比，Recall 的优势是检索式注入：AI 只在相关时取回相关记忆，不用每次都背完整本「关于我」。上下文窗口留给真正要干的活。

写什么进去

实操下来，四类内容最值得入 Recall：

  1. 环境事实：机器清单（哪台是 Mac、哪台是 VPS、GPU 在哪个容器）、目录约定、常用端口
  2. 流程知识：项目的构建部署步骤、故障排查套路、发布检查清单
  3. 决策记录：为什么选 A 不选 B——这类「决策及理由」是 AI 最容易反复问你的
  4. 偏好设定：代码风格、沟通粒度、交付格式

Git 版本化的隐藏价值

Recall 带 Git 版本化，这个细节比看起来重要。它意味着：

  • 改动可追溯：三个月后 AI 给出的某个行为，你能查到当时它依据的是哪一版记忆
  • 可回滚：某次批量更新记忆写坏了，git 一下回到昨天
  • 可审计：谁（哪个会话）在什么时候改了什么记忆，历史都在

记忆的「坏了能修」比记忆的「大而全」重要得多——这是自托管方案相对云黑盒的真正优势。

语义检索的配置

Recall 的检索质量取决于 Embedding 配置（在 NexusDock 控制台的 AI 配置区完成）。两条路线：

  • 云端 Embedding：OpenAI 兼容 API，开箱即用，内容会出域
  • 本地 Embedding：Ollama 跑 nomic-embed-text 这类嵌入模型，链路完全内网——本站的 Ollama 部署教程五分钟能搭好

记忆是高价值隐私资产（它浓缩了你所有的工作上下文），介意出域就用本地 Embedding。

Workflow：可复用的任务模板

它解决什么

Recall 解决「AI 知道什么」，Workflow 解决「AI 怎么做事」。你一定有这类流程：每周的项目周报、每天的服务巡检、新项目初始化的标准步骤。每次都口头描述一遍？Workflow 模板把这些多步任务固化下来，需要时按模板执行。

模板的三个设计要点

第一，参数化。 好模板把「变的部分」抽成参数：周报模板里「本周」是参数，巡检模板里「目标主机」是参数。执行时填参数，不用改模板。

第二，语义匹配友好。 NexusDock 的 Workflow 支持语义匹配——你用自然语言描述需求，系统匹配到合适模板。所以模板描述要写「人话」：「每周五汇总本周提交记录并生成周报」比「git-report-v2」好匹配得多。

第三，跨节点编排。 模板里可以指定不同步骤跑在不同节点：构建在开发机、部署到 VPS、产物归档到 NAS。这就是多设备编排在模板层的落地。

一个周报 Workflow 的结构示例

名称：每周项目周报
触发：手动 / 每周五 17:00
步骤：
  1. [开发机节点] 汇总本周 git 提交与任务状态
  2. [开发机节点] 按模板生成周报初稿
  3. [任意节点] 抄送存档到 Recall 的「周报归档」记忆区
参数：{ 周期范围, 项目名 }

跑顺之后，你要做的只是周五下午看一眼成稿。

Recall 与 Workflow 的配合

这两个能力不是孤立的，配合起来才是完整的「AI 员工体系」：

  • Workflow 执行中读 Recall：巡检模板执行时，从记忆里取「这台机器上次的问题」做对照
  • Workflow 产出写 Recall：周报生成后归档进记忆，下周生成时可以参考历史
  • Recall 沉淀新 Workflow：你在对话里把某个流程教给 AI 两三次后，让它把流程写成 Workflow 模板——「教一遍，存下来，以后复用」

这个闭环和本站在 Grok Bot Routine 教程里讲的「示范一遍它学一辈子」是同一个思想：把一次性会话的经验，沉淀为可复用的组织资产。 区别只在于 Grok Bot 的 routine 存在它的云端，NexusDock 的 Workflow 存在你自己的服务器上。

进阶技巧：把记忆和模板养准

记忆区命名规范化。 记忆条目按「项目-主题」格式统一命名（如「xx 项目-部署流程」「通用-代码风格」）——语义检索虽然按内容匹配，名称本身就是最强的检索信号，命名混乱的记忆库召回精度一定差。

模板描述写「好匹配」的句子。 描述决定语义匹配命中率，写法对照：

差的描述好的描述
deploy-script-v3把开发机构建产物部署到 VPS 并重启服务
weekly-report每周五汇总本周 git 提交，生成周报初稿并归档
backup-job每天凌晨归档 NAS 上的项目目录到备份盘

决策记录带时间戳。 往 Recall 写「为什么选 A 不选 B」时注明决策时间——三个月前的选型理由放到今天可能已经失效，AI 引用旧决策回答新问题时，你需要能判断这条记忆的「年龄」。

先手动跑三遍，再固化模板。 把流程交给 AI 手动走三遍再做成 Workflow：三遍里暴露的歧义（部署到哪台、报告发给谁、归档到哪个目录）就是该抽成参数的部分。跳过这一步直接固化，大概率把没发现的坑一起固化进去。

上手顺序建议

  1. 先把环境事实类记忆写进 Recall（半小时的事，收益立竿见影）
  2. 挑一个你每周重复的流程做成第一个 Workflow
  3. 观察一周，把 AI 反复问你的问题补进记忆
  4. 每月复盘一次：删过时的记忆、合并重复的模板

记忆和模板都是越养越值钱的资产——用得越久，AI 对你的上下文理解越深，而这一切存在你自己的机器上。