一句话结论#
所谓「大模型没有记忆」不是疏忽，而是 Transformer O(n²) 注意力 + KV cache 显存 + 权重纠缠（灾难性遗忘）+ GDPR 合规 四重约束的均衡解。ChatGPT / Claude / Cursor 的 “Memory” 本质都是把结构化文本塞回 system prompt，模型权重永远不动。Prompt Caching 只是性能优化，不是记忆。未来 1–3 年的主流是 「无状态 LLM 内核 + 有状态 Agent 记忆层」 混合架构。
| 计算复杂度 | 100M ctx 成本 | Cache 价格 | 主流 TTL |
|---|---|---|---|
| O(n²) | 638×H100 | 0.1× | 5min–24h |
1. 为什么 LLM 被设计成无状态#
四个独立约束叠加，每一个单独都不致命，叠在一起就只剩"无状态"这一种工程解——这个结论来自对 67 条一手资料的交叉验证。
架构约束 · O(n²) 注意力#
自注意力关于序列长度 n 的计算复杂度是 O(n²)，KV cache 显存随 n 线性增长但系数巨大——4096 token 单序列就要约 2 GB 显存，32 并发就 64 GB，比模型权重本身还大。Llama 3.1 在 100M token 上下文中，仅 KV cache 就需要 638 块 H100（约 ¥40,000/小时）。
→ Liu et al. “Lost in the Middle” (TACL 2024) 实证：长上下文不仅算得慢，模型对中段信息的利用呈 U 形曲线，比闭卷还差。
训练约束 · 灾难性遗忘#
LLM 知识在数十亿权重里高度纠缠，没有"法语模块"或"用户偏好寄存器"可以独立写入。每次 fine-tune 都重塑整个参数景观，旧能力会被覆盖。即便是 LoRA，在 continual learning 场景下仍然受 catastrophic forgetting 困扰（arXiv 2404.16789）。
→ 业界普遍做法是周/天级别的离线 retrain，没人做 per-request 的在线权重更新。
合规约束 · 被遗忘权#
GDPR 第 17 条和 PDPA 要求数据控制者"不得无故拖延"地删除个人数据。一旦个人数据烘焙进数十亿权重，“被遗忘权"在工程上几乎无法精确执行——你无法从模型中"减去"某个用户的影响。Anthropic 和 OpenAI 都明确表示 Memory 数据存储在外部、不在权重内，这不是技术选择，是法务硬约束。
→ RAG / Memory Layer 击败 fine-tuning 的根本原因是合规，不是技术优劣。
安全约束 · 持久记忆 = 持久攻击面#
ChatGPT Memory 已被多次 prompt injection 攻破：通过 Google Doc / 图片 / 网页让模型调用 to=bio 写入恶意持久指令，从此影响所有未来对话（Embrace The Red 博客, 2024）。这正是 Cursor 1.0→1.2 给 Memories 强制加 user approval 的原因，也是 Anthropic 专门测试 sycophancy / harmful conversation 后才发布 Memory 的原因。
2. 主流产品的"记忆"策略对比（含 Cache vs Memory 辨析）#
14 个主流产品，没有任何一个真的修改了模型权重。在这节我们同时辨析三个常被混为一谈的概念：
- Cache（KV / Prompt Caching）：缓存 attention 层的 K、V 投影张量，前缀逐 byte 匹配命中后跳过 prefill。生命周期 5min–24h。本质是算力优化，不是"记住"任何东西。
- Memory（产品层）：文本存储在外部数据库 / 向量库 / markdown 文件里，每次调用拼到 system prompt 头部。用户可控。
- 真模型记忆（权重内）：改变模型权重本身。受灾难性遗忘、GDPR 被遗忘权、可解释性三重打击，业界普遍回避。
14 产品对比#
| 产品 | 策略 | 本质 | 权重变? |
|---|---|---|---|
| ChatGPT Memory | 4 层: 元数据 + bio + ~40 条摘要 + 滑窗 | Memory | No |
| OpenAI Prompt Caching | ≥1024 token 自动 KV 缓存, 5min–24h TTL | Cache | No |
| Anthropic Prompt Caching | 显式 cache_control ≤4 断点, 逐 byte 匹配 | Cache | No |
| Gemini Context Caching | Implicit 90% 折扣 + Explicit 60min TTL | Cache | No |
| Claude.ai Projects | 项目说明 + 文件 + 历史, 全量塞 prompt | Memory | No |
| Claude Memory (2025-10) | 项目隔离, 24h 合成, 可视可编辑可导出 | Memory | No |
| Claude Code | CLAUDE.md + 模型自写 MEMORY.md (200 行) | Memory | No |
| Cursor Rules / AGENTS.md | 静态 markdown, 4 触发模式, Team > Project > User | Memory | No |
| Cursor Memories (1.0+) | AI 生成候选 → 用户审批 → 写入 | Memory | No |
| Cursor Codebase Index | Merkle 树 + 加密 + Turbopuffer 向量库 | RAG | No |
| Windsurf Cascade | global + workspace rules + 自动 Memories + RAG | Memory | No |
| Devin Knowledge | 人写 + AI 建议 + DeepWiki + VM Snapshots | Memory+RAG | No |
| Replit Checkpoints | VM 快照 = 文件 + DB + 对话 + Agent memory | Snapshot | No |
斜体行 = Cache/RAG/Snapshot 类；粗体行 = Memory 类。没有一个产品改权重。
3. 未来范式：四层混合栈#
自下而上：底层永远无状态，上面三层是"给它装记忆"的不同抽象。L4（Agent 记忆层）是短期主流，L2（架构内记忆）是最值得押注的研究跃迁。
L4 · Agent 记忆层#
商业最成熟把 LLM 视为无状态 CPU，“记忆"放在外部数据库 + Agent runtime，每次推理把检索结果拼回 prompt。代表：Letta (MemGPT) · Mem0 · Zep + Graphiti · LangGraph Store · AutoGen Memory。
- ✅ 可审计 · 可删除 · 模型无关
- ⚠️ retrieval 质量决定上限 · 写入污染累积
- Mem0 在 LoCoMo benchmark 上比 OpenAI Memory 高 26%、p95 延迟降 91%、token 降 90%
L3 · 超长上下文#
已商业化把记忆塞进超长 context window。代表：Gemini 2M (needle 召回 >99%) · Magic LTM-2-Mini 100M tokens。
- ✅ 会话内最佳载体
- ⚠️ Lost-in-the-middle 仍未解 · 100M ctx 单用户 638×H100
L3 和 L4 是互补不是替代：超长上下文处理会话内的即时关联，Agent 记忆层处理跨会话/跨年的持久记忆。将两者组合是当前工程上的最优解。
L2 · 架构内记忆#
研究价值最高把"持久记忆"做成可微模块嵌入网络——这可能是真正改写格局的方向。代表：Google Titans (短期 attention + 长期 neural memory) · Infini-attention · Mamba-2 · RWKV-7 Goose。
- ✅ 常数显存 · 线性时间
- ⚠️ 尚未规模化验证（需 ≥70B / ≥10T token 训练才能证明可行性）
L1 · 裸 LLM（frozen weights）#
永远无状态GPT / Claude / Gemini / Llama 内核。每次推理是新进程，权重不变。Continual learning 短期内不会成为 per-user 记忆主路。LoRA 用于领域/角色特化，不是 per-user。
4. 记忆经济学：为什么 Cache TTL 是隐藏定价开关#
这条暗线在全篇中最被低估。
Anthropic 在 2026-03 把默认 cache TTL 从 1h 静默降到 5min，导致 Claude Code 用户实测多花 17–26%。没有任何公告，没有 SLA 承诺。这条改变暴露了一个残酷的事实：cache TTL 是直接影响用户单价、但不在任何 SLA 上的隐藏开关。
| 指标 | 数值 |
|---|---|
| Anthropic TTL 调整后成本上浮 | 17–26% |
| Cache 费用占比透明度 | 0%（完全隐藏） |
| 100M ctx 硬件成本（单用户） | ~¥40k/小时 |
| SLA 中 cache TTL 承诺 | 0 条 |
如果推演下去：未来的"记忆经济学"会越来越像云存储——分层（5min/1h/24h/永久）、可定价（微调 TTL 就是反向定价）、可锁定（agent 工作流依赖特定 cache 策略后迁移成本极高）。
5. 3 年范式演进地图#
基于 Anthropic、Letta、Karpathy、LeCun 等来源的判断。2026 年主流配置有较高确信，2027–2028 为推断，含不确定性。
| 年份 | 工业主流配置 | 可能的黑马事件 |
|---|---|---|
| 2026 | 裸 LLM + Agent 记忆层 (Mem0/Zep/Letta) + 长上下文 caching | Titans 系架构开始小规模商用；Sleep-time Compute 成 agent 标配 |
| 2027 | Reflection / Sleep-time / TTT 进入主流 Agent 框架原语 | 某 SSM/Hybrid 7B 在 long-context benchmark 全面超 Transformer |
| 2028 | 顶级模型可能集成 in-arch memory module（高风险预测）；否则 Memory Layer 仍是标配 | LeCun H-JEPA + LLM 混合原型出现（5–10 年的早期信号） |
6. 给工程师的 9 条实用结论#
不要把 Cache 和 Memory 混为一谈：Cache 是算力优化（跳过 prefill），Memory 是产品层决定把什么塞进 prompt。两者完全正交。
写记忆就是写 system prompt：凡是能用 markdown 写下来的项目约定（Cursor Rules /
CLAUDE.md/ AGENTS.md），永远比"让 AI 自己记"更可控、可 diff、可版本管理。拼前缀顺序: static → dynamic：工具定义、System prompt、项目规则放最前；当前用户输入放最后。OpenAI / Anthropic / Google 三家文档的一致顶级建议。
Compaction 必须 cache-safe：不要为 summarization 单开新 system prompt——会让全长对话按 uncached 全价重算。Claude Code 称之为 “cache-safe forking”。
TTL 是产品决策不只是工程参数：Anthropic 1h→5min TTL 事件的教训。把 TTL 作为可配置项暴露给用户，否则用户会在账单里发现你的隐藏定价。
AI 写、人审批 = 当前最稳的"自动 Memory"形态：Cursor 1.2 加 user approval、Devin 默认走 suggestion 流，是被反复 prompt injection 教训之后的设计共识。
可视、可编辑、可导出 = trust：Anthropic 的 “natural language synthesis” 差异化和 ChatGPT 不透明合成，正反两面证明了这点。
隐私模式与 Cache 有矛盾：OpenAI Extended cache 失去 ZDR 资格、Cursor 隐私模式不存原文——把"性能 vs 隐私"作为两档让用户选。
真正的护城河是"上下文工程"不是"记忆模型”：把记忆写成 deterministic、version-controlled、人类可读的状态，curation cost 是一次性的，benefit 是 compounding 的。
7. 关键引用源#
全部为 2024–2026 年一手资料。共 30+ 条精选，涵盖原厂文档、arXiv 论文、研究者原文。
A. 厂商一手资料#
OpenAI
- OpenAI Prompt Caching guide — KV cache 工作原理 + TTL + retention policy
- OpenAI Prompt Caching 201 cookbook — Extended cache 与 ZDR 的关系
- Manthan Gupta · I Reverse Engineered ChatGPT’s Memory — 4 层结构反向工程
- Embrace The Red · ChatGPT Hacking Memories — bio 工具与 prompt injection 攻击面
Anthropic
- Anthropic Prompt Caching docs — cache_control / 5min vs 1h / 4 breakpoints
- Lessons from building Claude Code — cache-safe forking 实践
- Claude Code Memory docs — CLAUDE.md vs auto memory
- How does Claude’s memory work — RAG 工具调用 + 24h synthesis + 项目隔离
- Gemini API Context Caching — implicit vs explicit、TTL、storage 计费
- Vertex AI Context caching overview — 90% 折扣 + 跨租户隔离
Cursor / Windsurf / Devin / Replit
- Cursor Rules + Codebase Indexing + 1.0 changelog + 1.2 changelog
- Windsurf Cascade Memories — 5 层 context 拼接
- Devin Knowledge — 人写 + AI + DeepWiki + VM Snapshots
- Replit Checkpoints — VM + DB + AI 对话快照
B. 关键论文#
架构 / 长上下文
- Lost in the Middle (TACL 2024) — U 形曲线实证
- Gemini 1.5 Technical Report — 1M-10M token 标杆
- Magic LTM-2-Mini — 100M token, 比 attention 省 1000× FLOPs
- Titans: Learning to Memorize at Test Time — Google neural memory module
- Infini-attention — Compressive memory, 1B 模型 5K → 1M passkey
- Mamba-2 / SSD (ICML 2024) + RWKV-7 Goose + KV-Direct
Memory Layer / Agent 记忆
Continual Learning
C. 范式判断 (Karpathy / LeCun / Raschka)#
- Andrej Karpathy · Dwarkesh Patel 专访 (2025-10)
- Karpathy · Intro to LLMs
- Yann LeCun · A Path Towards AMI
- LeCun at NVIDIA GTC 2025
- Sebastian Raschka · Coding the KV Cache
D. 工业框架#
- LangGraph Persistence & Memory
- AutoGen Memory & RAG
- Letta Research
- Don’t Break the Cache (arXiv 2601.06007)
- ctx.ist · Context Determinism Thesis
调研方法：三路并行子代理（技术原理 + 产品 API 设计 + 未来范式），交叉验证四个信息源（Exa、Tavily、Context7、WebSearch）。共 67 条一手 URL，时效 2024-Q1 至 2026-Q2。
