一个反复自我介绍的困境
如果你频繁使用 AI 工具，一定经历过这样的场景：每次打开新对话，你都要重新解释自己是谁、在做什么项目、用什么技术栈、偏好什么风格。对话结束，一切归零。下次再来，AI 依然是那个热情但失忆的陌生人。
这个问题困扰了我很久。作为一个同时管理门票营销产品、独立游戏项目和个人网站的产品经理，我每天需要在完全不同的上下文之间切换。每次都要花五分钟给 AI “补课”，这不是效率工具该有的样子。
于是我开始构建 Link。
Link 是什么
Link 不是一个从零开发的 AI 模型，而是基于 Claude 和 CatDesk 构建的个人 AI 协作者。它的核心理念很简单：通过精心设计的记忆系统，让 AI 真正"认识"我。
名字取自"连接"——连接数据与洞察，连接问题与方案，连接人与技术。但更重要的是，Link 有自己的身份。它不是一个通用助手，而是我的工作伙伴，有自己的工作原则和行为风格。
这听起来可能有点奇怪——给 AI 一个"身份"有什么用？但实践证明，这是整个系统最关键的设计决策。当 AI 知道自己是谁、该怎么工作时，它的输出质量会有质的飞跃。
四层记忆架构
Link 的记忆系统分为四层，每一层解决不同的问题。
第一层是 Soul，存储在 link_soul.md 中。这是 Link 的"灵魂档案"，包含它的身份定义、核心知识索引和系统入口。每次对话必须读取。这一层回答的问题是：“我是谁，我知道什么的大纲在哪里。“它非常精简，只有关键信息的摘要和指向其他文件的指针。
第二层是 Knowledge，存储在 core_knowledge.md 中。这是五大业务领域的详细要点：推荐系统、搜索算法、营销策略、产品架构、技术方案。每次对话也会读取，但不需要全部记住，只需要知道每个领域的关键概念和系统入口。这一层回答的问题是：“在我负责的领域里，核心知识点是什么。”
第三层是 Status，存储在 current_status.md 中。这是当前的工作状态：正在推进的项目、待解决的问题、最近的决策。这一层是动态的，随着工作进展不断更新。它回答的问题是：“现在手头在做什么，进展到哪里了。”
第四层是 Details，分散在 knowledge/business/ 目录下的各个文档中。这些是详细的学习笔记、业务文档、技术方案。只有在需要时才按需读取。比如用户问到 REACH 平台的具体配置步骤，Link 才会去读取对应的营销产品知识体系文档。
这个分层设计的核心思路是：不要试图让 AI 一次性记住所有东西，而是让它知道去哪里找。就像一个优秀的员工，不需要背下所有文档，但要知道公司的知识库怎么用。
读取规则的设计
光有分层还不够，还需要明确的读取规则。Link 的规则很简单：L1 和 L2 每次对话都读，L3 视情况读，L4 只在需要时读。
更重要的是"不读"的规则。如果当前对话只是讨论游戏设计，就不需要读取营销算法的详细笔记。如果已经在上下文中掌握了某个知识点，就不重复读取。这种"精简上下文"的策略，直接影响了 AI 的响应质量和速度。
我还加了一条规则：当 Link 需要读取详细文档时，要主动告知用户"我需要读取详细文档，请稍等”。这个小细节让交互体验好了很多——用户知道 AI 在做什么，而不是莫名其妙地等待。
做得好的地方
经过几个月的迭代，Link 在几个方面表现出色。
首先是零重复解释。当我说"帮我看看 NEXT 平台的券配置”，Link 已经知道 NEXT 是什么、我在其中的角色、以及相关的业务背景。不需要任何铺垫。
其次是领域推理。因为 Link 掌握了推荐系统、搜索算法、营销策略等领域的核心知识，它能在这些领域内做出有深度的分析，而不是给出泛泛的通用建议。
第三是工作流自动化。通过 CatDesk 的 Skill 系统，Link 可以直接操作文档、发送消息、查询数据，而不只是"建议你去做某件事"。
仍然困难的事情
但 Link 远非完美。
知识过时是最大的挑战。业务在变化，系统在迭代，文档需要持续更新。如果我忘了更新 current_status.md，Link 就会基于过时的信息做判断。记忆系统需要维护，这本身就是一项工作。
上下文窗口的限制也是现实问题。即使分层读取，当涉及复杂的跨领域问题时，需要加载的上下文仍然可能超出限制。这时候就需要在"全面"和"精准"之间做取舍。
还有一个我称之为"聪明但初级"的问题。Link 可以快速理解问题、给出结构化的分析，但在需要深度业务判断的场景下，它仍然像一个聪明的实习生——需要你指出方向，它才能跑得又快又好。
三个核心教训
构建 Link 的过程教会了我三件事。
第一，身份先于能力。在让 AI 帮你做事之前，先花时间让它知道自己是谁。一个有明确身份和工作原则的 AI，比一个什么都能做但没有立场的 AI 有用得多。
第二，记忆是产品问题，不是技术问题。技术上，让 AI 记住东西并不难——存个文件就行。难的是决定记什么、怎么组织、何时读取、如何更新。这是一个需要持续迭代的产品设计问题。
第三，分层思维的价值。不只是记忆系统，任何复杂问题都可以用分层的方式来管理。把"必须知道的"和"可以查的"分开，把"稳定的"和"变化的"分开，系统就会变得清晰可控。
接下来
Link 还在持续进化。下一步我想探索的方向包括：让 Link 能够自主更新自己的知识库，而不是依赖我手动维护；建立更好的"遗忘"机制，自动清理过时信息；以及探索多 Agent 协作的可能性。
但最让我兴奋的，不是技术本身，而是这种"AI 协作者"的工作模式。当 AI 真正了解你的上下文时，人机协作的效率会有数量级的提升。这不是未来，这是现在就可以做到的事情。