107 組人馬在補同一個洞：AI 會忘記你

AI Radar 趨勢判讀 #3 ｜ 問題領域：agent 跨 session 記憶資料期間：2026-W36 ｜ 獨立團隊 107 組，同期官方對應方案 1 個2026-09-05

星期一早上。 我開一個新對話，要 AI 幫我寫一篇研究報告。開工前得先講一輪：

我們公司叫 ProfitVision LAB。研究報告走六章結構，產業地圖開頭、結論收尾。語氣不要浮誇。金融術語用台灣的講法，不要用對岸的詞。還有——不要給明牌，那會踩到法規。

講完大概五分鐘。然後才開始今天真正要做的事。

星期二早上。 我開一個新對話，要它寫另一篇。

我得一字不差再講一次。

它不是懶，也不是不專心。它真的不知道昨天發生過什麼。

我一直以為這是我自己流程沒設計好。直到我把外掛目錄整個數了一遍。

「AI 會忘記」不是缺點，是它的結構

先把話講白。

你可以把它想成一個能力極強的約聘顧問：上手快、產出好、什麼都會。 但他有一個問題——每天早上來上班，都是他的第一天。

昨天你們一起做的決定，他沒有印象。昨天你糾正過他的錯誤，他今天會再犯一次。 明天也是，後天也是。不是他不用心，是他真的沒有昨天。

技術上的原因是：模型一次能「看」的字數有上限，這個上限叫情境窗 （context window）。對話一長，前面的內容就得被丟掉或壓縮；對話結束，全部歸零。

平台方給的答案：一份說明書

Anthropic 的解法是一個檔案，叫 `CLAUDE.md`。你把規矩寫進去放在專案裡， 每次開新對話它會自動先讀一遍。

所以我星期一那五分鐘，變成檔案裡的幾行字：

```
公司：ProfitVision LAB
研究報告用六章結構
金融術語用台灣講法
不給明牌
```

星期二不用再講了。這確實有用，我自己也在用。

但說明書解不了下面這件事

星期一，它寫了一句：「這檔非常有潛力，建議積極布局。」

我說：不行，這句踩投顧法，改成描述事實、不做建議。它改了。很好。

星期二，換一檔股票。它寫：「這檔非常有潛力，建議積極布局。」

為什麼？因為 `CLAUDE.md` 裡沒有這一條。

那份檔案裡只有我當初想得到、而且願意動手打字寫進去的東西。
昨天那次糾正發生在對話裡，沒有任何機制把它寫回檔案。

這就是缺口所在：說明書 ＝ 你事先想得到、而且手動寫下來的規矩記憶 ＝ 它自己從相處過程裡累積下來的東西
>說明書不會因為你們昨天吵過一架而自動更新。

而人跟人合作的價值，大部分來自後者。
你不會給新來的同事一本一千頁的手冊，你是讓他做三個月，讓他自己學會。

我數到的東西

資料來自 `anthropics/claude-plugins-community` 的公開快照
（commit `a727be1`，2026-08-24）。任何人 clone 同一個 commit，會得到同樣的數字。

這個社群目錄裡有 2,282 個外掛。我用嚴格條件去篩「在解記憶問題」的那些——
必須明講跨 session 的持久記憶、情境延續或長期記憶系統，
只是提到 `in-memory` 這類技術用語的一律排除。

篩出來：

他們解的是同一題，做法差到不像同一題

舉三個實際的例子，你會看出差多遠：

`memex` ——「本機 AI 記憶系統。跨 session 記住你的偏好、決策、專案脈絡。」
做法是在你電腦上開一個本地資料庫，把每次對話的重點存起來，下次開場自動撈相關的。

`velixar` ——「認知記憶系統。持久記憶、知識圖譜、身分認知。」
它不存清單，存的是一張關係網：這檔屬於哪個產業、那個產業的風險是什麼、
你上次因為什麼放棄了它。要用的時候順著關係走。

`claude-context-monitor` ——「防止情境窗爆掉。即時追蹤、語意壓縮、carry-forward 記憶。」
它不做長期記憶，而是在對話快撐爆的那一刻，把前面的內容自動摘要成精華帶到下一段。

一個存資料庫、一個存關係網、一個做即時壓縮。同一個問題，三個方向。

把 120 個全部分類之後（一個外掛可能同時用兩種）：

共同假設：AI 需要一段跨 session 的記憶，現有機制不夠。
分歧點：記憶該長成檔案、摘要、圖、還是資料庫——沒有人知道答案。

為什麼「107 個團隊」比「一個很紅的工具」重要

這一段是這套雷達的方法核心，值得單獨講。

有兩種訊號：

訊號 A：某個工具紅了。
訊號 B：一年之內冒出 107 組人在做同一件事。

訊號 A 可能只是行銷做得好，或者剛好卡到一個時間點。單一個案的噪音很大。

訊號 B 是另一種東西。 那 107 組人不會開會、不會協調，
其中絕大多數互相根本不知道對方存在——卻各自看到同一個缺口，各自決定投入時間去補。

這在產業分析上有個說法：一個新的問題領域正在形成。

就像幾年前你看到十幾家公司同時在做電動車充電樁——
個別哪一家會活下來你不知道，但「充電是個真問題」這件事已經確定了。

答案會被換掉，問題不會。

轉折：官方目錄裡只有一個

這是我原本沒打算查、查了之後最有意思的一段。

同一個組織還有另一間店：`claude-plugins-official`（commit `85cce03`，2026-09-04），
291 個廠商送審的精選外掛。我用完全一樣的條件去篩，只篩出 2 個，
而真正由平台方自己掛名的只有 1 個：

`claude-md-management`（作者：Anthropic）「維護與改善 `CLAUDE.md` 檔案：審核品質、擷取工作心得、維持專案記憶。」

看清楚它解的是什麼：它在幫你把說明書寫得更好。

不是給 AI 一段記憶，是幫你把手冊整理得更整齊。

1 比 120。 這不是誰對誰錯的問題——是兩邊對同一個現象的定義不一樣。
而定義不一樣，投進去的資源就會差兩個數量級。

判讀

**平台方把它當成文件問題，市場把它當成架構問題。
這個落差不會永遠存在，而它收斂的方式，決定那 107 個團隊裡有多少會活下來。**

兩種可能：

如果平台方是對的——大部分需求靠一份維護良好的說明書就夠，
那 120 個裡的大多數是過度工程，會慢慢沒人用。

如果那 107 組人是對的——記憶是 agent 缺的一層基礎建設，
那平台方遲早會自己做。而平台自己做的那一天，
這 120 個裡做得最薄的那一批會集體歸零。

所以該怎麼分辨？這是第二道濾網在問的事

把模型自己的能力扣掉，這東西還剩什麼？

拿兩個具體的來跑：

案例 A：一個「自動幫你整理 `CLAUDE.md`」的外掛。
扣掉模型能力剩什麼？幾乎什麼都沒有。 它的核心是「叫模型讀對話、叫模型寫檔案」，
這兩件事模型本來就會，外掛只是幫你按了按鈕。
平台哪天自己做了——而它已經有 `claude-md-management` 了——一夜之間歸零。

案例 B：一個累積了你三個月工作脈絡、而且存成純文字的外掛。
扣掉模型能力剩什麼？剩你那三個月的脈絡。 那是資料，不是能力。
模型再強也變不出你三個月前為什麼放棄某個決定的理由。
而且存成純文字，你隨時搬得走——換工具、換平台，資料跟著你。

**同一個叢集裡，這兩種東西的長期價值差好幾個數量級。
但今天在目錄裡，它們長得一模一樣——都是一行標題加一句說明。**

篩，是你自己的事。目錄不會替你做。

這可能錯在哪

1. 我數的是宣告，不是實作。 這 120 個數字來自外掛自己寫的描述。
   我沒有裝任何一個、沒有驗證它們真的做到宣稱的事。
   所以這個數字說的是「有多少團隊認為這是問題」，
   不是「有多少個能用的方案」。這兩件事差很遠。
2. 107 個帳號不等於 107 組獨立團隊。 同一個人開兩個帳號、
   同一家公司分開投稿，我都分不出來。真實數字應該比 107 低一些。
3. 官方目錄是送審制。 只有一個記憶類外掛，也可能只是還沒有廠商送、
   或送了還沒過，不必然代表平台方的態度。這是我推論最弱的一環。
4. 我沒查平台的產品路線圖。 如果原生記憶已經在開發中，整篇的時間軸就要改寫。

回到星期一早上那五分鐘

我開新對話前重講一次背景，這件事做了大半年，一直當成自己的流程沒設計好。

數完之後我知道了：有 107 組人跟我卡在同一件事上，而且卡到願意自己寫一個東西出來。

這不會讓那五分鐘消失。但它把問題的性質換掉了——
從「我該把說明書寫得更完整」變成「這一層本來就還沒有人蓋好」。

知道問題不在自己身上，跟知道怎麼解，是不一樣的收穫。但前者比較不容易白費。

對你的意義

如果你正要挑一個記憶外掛，我會用這三題篩，順序不能換：

1. 它把記憶存成什麼？
   純文字或 Markdown 的，你隨時搬得走；存進別人雲端的，
   你是在租一個會漲價、也會關站的東西。
2. 把模型自己的能力扣掉，還剩什麼？
   只是自動幫你寫說明書的，平台做了就沒了。
   累積你自己脈絡的，累積本身才是資產。
3. 你真的因為這件事損失了什麼嗎？
   每天五分鐘，一個月兩小時。值不值得換一個要維護、
   又可能被原生功能吃掉的相依？我目前的答案是還不值得。

我不打算現在採用任何一個。但我把這個領域標記起來了——

當這 120 個裡面開始出現「被平台原生功能取代」的實例時，那才是真正該讀的一篇。
因為那時候能寫的就不再是「有 107 組人在做這個」，
而是「我試了 X 想取代 Y，失敗了，這是原因」——那種東西沒辦法造假。

來源

兩份都是公開 repo，commit 本身就是引用位置。

• `anthropics/claude-plugins-community` @ `a727be1`（2026-08-24）
• `anthropics/claude-plugins-official` @ `85cce03`（2026-09-04）

本篇由 ProfitVision LAB 的 AI Radar 與開發團隊共同協作產出。
候選池、四道濾網判定與完整證據鏈公開於 ai-radar registry。