一、 AI 只能算临时工
本质问题在于现在的 AI 没有持续的记忆和学习能力，这就和实习生/助理差别巨大。新人可以花几个月甚至几年来培养，但 AI？不管之前聊的多好，新开一个对话就是新招一个临时工，完全不会对你有任何了解。
至于伙伴就更鬼扯了。AI 既没有业绩要求，也不对结果负责，并且完全只拿固定薪水（不管好坏 Token 费都一样）。
所以 AI 只能是一个能力很强（但又偏科）的临时工。这个定位直接影响我们该怎么用它、该对它抱什么预期。
二：当前的替代方案
AI 没有真正的记忆，只有固定长度（而且也不算很长）的上下文窗口。这是模型本身的技术局限。
针对这个局限，目前有两个粗糙的应对方案，在很多时候会给人一种错觉，认为 AI 懂我、记住我了。
第一个方案是上下文压缩。
对话太长塞不下了，就把旧内容压缩成摘要，腾出空间。这本质上相当于让两个临时工交接工作，之前的那位先写个交接说明再走。但压缩必然会丢失信息，两个临时工交接，新员工只能在摘要范围内对你有了解。
第二个方案是 Agent 记忆体系
Memory.md、CLAUDE.md、Skill 这些文件，本质上相当于一套提前写好的员工手册。新临时工来了，先把手册塞给他读一遍。但手册不一定都准确，也不保证临时工会按手册干活。
两种方案的共同问题：它们没有改变 AI 没有记忆这件事，只是在每次新招临时工的时候尽可能多地给他补课。
三、你唯一能积累的资产
临时工来了又走。只有你是忒修斯之船上唯一永恒的存在。在调教 AI 的过程中，真正值得花的力气是打磨那套管理制度，也就是上面那一套 Agent 系统（员工手册），而不要指望 AI 能有任何学习能力。现在的 Hermes、OpenClaw，以及一些主打人设陪伴的产品都是此类。
你不能指望让临时工自己来管理这套体系，每个临时工都会按自己的想法修改，最后必然会把整个体系搞乱（熵增定律总是存在的）。现在那些说自我进化的 AI 系统，在实践中几乎总是会在越来越多的使用过程积累大量零散、碎片、短效的规则。新来的 AI 在一定程度上能多了解你一点，但经常会犯傻，本质上也是临时工管理制度失灵的结果。
当然，你也可以制定一套“维护规则的规则”，然后定时开一个临时工按此执行（有种左脚踩右脚螺旋升天的感觉）。听起来很美好，例如 OpenClaw 的做梦机制，但用起来就不一定了。
插一句，我自己尝试了一个方案，构建自己的独立管理体系，不依赖于任何平台，在 Hermes、Claude code 等平台都能用，还可以用云盘多设备同步，让体系真正属于用户自己。现在已经有了一个 Demo，地址在下面，感兴趣可以玩玩。
GitHub: https://github.com/alone-tree/Capability-Library
四、未来的方向
AI 未来的进化方向一定包含真正的个性化。
这不是把上下文工程做得更精巧，而是让模型真正拥有记忆。现在已经有了一些方向，例如谷歌的 Titans 架构：分层记忆设计，模型的权重会随着使用而不断变化，边处理边学习，“惊讶"的信息自动写入长时记忆。
更简单一点的是 NVIDIA 的 TTT-E2E：读上下文的同时实时更新模型权重——把上下文压缩进大脑本身，而不是压缩成摘要塞回 prompt。
这些都还在研究阶段。也许未来一两年就会出现，也许还需要五年、十年。
五、从商业的角度分析个性化模型
事实上，现在也有些大公司会使用自己的业务数据进行微调训练，已经有些“个性化模型”的味道了。但微调门槛很高（数据、案例，价格、前置要求等）。
未来有可能实现广泛的个性化模型吗？也许有可能。个性模型必然会催生海量的新需求，也会对当前的产品造成明显冲击。
一些商业模式猜测：
订阅制，只要选择个性化模型就要交一笔模型维护费，很可能相当不菲，包括模型的训练和模型权重的存储。如果订阅的是便宜模型，可能价格比较便宜，高端的模型会贵很多。模型规模越大会越贵。顶级模型价格可能和雇一个初级研究员接近（人民币万元/月数量级）
长期绑定，选择一家模型公司，持续使用，持续积累数据，持续优化。迁移成本很高（真正的开除旧员工、招募新员工，需要长期磨合）
合作平台，专属模型可以接入各种智能设备，手机、电脑、音响、汽车、机器人等等，类似于现在的智能家居系统。
一些不确定的点。模型可能运行在云端，或者运行在设备端。或者处于混合状态，云端运行高级模型，设备端运行蒸馏过的小模型。不同的模型通过中间一个协调层来共享临时的会话数据，实现多设备的信息统一。隔一段时间统一根据交互数据进行一次升级。