你的 AI 客服為什麼越用越蠢？問題不在它記太少，在它不會「忘」

拆解 Agent Memory（AI 代理記憶）的 4 個核心機制，把你的客服知識庫從「大倉庫」變成一顆會治理的大腦。

想像一下這個畫面。

你的電商客服機器人上線滿一年了。這一年來，每一則對話、每一次成功結案、每一份活動辦法，你全部塞進它的知識庫，一條都捨不得刪。你心裡想的是：資料越多，它就越聰明，越能替我擋掉客訴。

今天有個客人來問：「你們那個滿千送百，現在還有嗎？」

機器人從記憶裡撈出十條「相似」的規則：三條是現行的、四條是去年檔期早就過期的、兩條是當初根本回錯還被客訴的、還有一條，是隔壁那個根本不同的品牌活動混進來的。

它記得可多了。但它更聰明了嗎？

未必。它很可能就這樣，挑了一條過期的規則，理直氣壯地回錯給客人。

這就是我最近看一支技術影片，被戳中的地方。這支影片叫《為什麼 Agent 記憶越多反而越笨》，是專做大模型 Agent 教學的講師 TGLTommy（唐國梁）拆的一個題目。它講的是 AI Agent 的記憶系統，聽起來很硬核，但如果你有在用 AI 客服、AI 選品、AI 文案助理，這件事跟你的生意，關係大到不行。

記憶不是「容量問題」，是「治理問題」

我們對記憶有個直覺：記得越多越好。人是這樣，我們也就這樣要求 AI。

但這個直覺，套在 AI Agent 身上是錯的。

從第一性原理看，記憶的價值只有一個衡量標準：

未來需要的時候，能不能找到「正確」的那條資訊，並且把它變成「正確」的行動。

至於你存了多少，反而是其次。

你存越多過期的檔期、越多回錯的案例、越多別人家的規則，AI 檢索時被帶歪的機率就越高。這不是我在嚇你，是 2026 年整個產業都在頭痛的事。業界有個名詞叫「context rot」（脈絡腐化）：塞進去的資訊越多，模型反而越容易在雜訊裡撈錯重點。這半年 OpenAI、Anthropic、Google 幾乎都重做了一輪記憶系統，不是記憶不夠用，是大家發現「亂記一通」比「記得少」更危險。

所以問題從來不是「你的 AI 記太少」。

是它不會「忘」，也不會「治理」。

先搞懂：AI 的記憶其實有四種

影片借用了一篇論文的分類框架，叫 CoALA（Cognitive Architectures for Language Agents），把認知科學那套人類記憶分類，映射到 AI Agent 身上。我用你電商每天在做的事翻譯一遍：

► 工作記憶（Working Memory）：當下正在處理的事。像客人這通對話講到一半，上一句問了什麼、現在填到哪張退貨單。用完就走，不留。

► 情節記憶（Episodic Memory）：某一次具體的經歷。「上週三那筆退款，系統跳了什麼錯誤代碼，後來我從哪個入口重送才成功。」很具體，但也很狹窄。

► 語義記憶（Semantic Memory）：從很多次經歷裡「抽」出來的通則。「提交退款前，要先核對訂單狀態、退款期限、跟最後金額。」這才開始像知識。

► 程序記憶（Procedural Memory）：已經練成、可以穩定執行的技能。不是「建議你這樣做」，是「它自己就會這樣做」。

重點是什麼？

今天市面上絕大多數的 AI 客服，記憶只做了一件事：把過去的對話「保存」下來（情節記憶），再用向量相似度（vector similarity）把它撈回來。

聽起來很合理，但這裡有個大坑。「找到一段文字很像的內容」，跟「這段內容是對的、還適用」，根本是兩回事。

這也是 RAG（檢索增強生成）這幾年被打臉最多的地方：向量檢索擅長找「主題相近」，卻不保證「答案正確」，更管不了「這條過期沒有」。語義很像，不等於事實對。

你的 AI 撈回一條去年的滿千送百，跟今年的規則長得幾乎一樣，它分不出來。分辨這件事的責任，不能丟給相似度。

讓 AI 真正變聰明的，是這四個動作

那怎麼辦？影片給了一個我覺得很受用的框架：一個能持續學習的記憶系統，至少要做好四個動作。

第一個動作：寫入（Write）。不是什麼都值得記。

新的經歷進來，你要先問三件事：這次任務的結果，有沒有被驗證過？這條經驗有沒有帶來新資訊？它是來自一個真的成功的案例，還是 AI 自己腦補的解釋？

這裡有個很陰險的陷阱，叫錯誤反思。有一類技術（論文叫 Reflexion）會讓 AI 根據成敗自己寫一段「心得」存起來，立意很好，但它要是會錯意呢？

假設一筆退款失敗，真正原因是「這個帳號權限不夠」，AI 卻總結成「我應該多點一次送出鍵」。這條錯誤心得一旦寫進長期記憶，下一次它不但沒變聰明，反而帶著一條「更有說服力的錯誤規則」去行動。

所以高風險的事，寧可多幾道人工審核，也別照單全收。

第二個動作：鞏固（Consolidate）。矛盾的規則，要壓成一條。

十條相似的經驗，不該永遠躺在那裡當十條原始紀錄。你要把它們比一比、壓一壓，變成一條更穩定的通則，同時保留它的證據來源跟適用範圍。

這在台灣電商超常見。我自己就看過一個做保養品的電商，LINE 機器人跟官網 FAQ，對「退貨要不要自付運費」給的答案剛好相反。客人截圖兩邊來吵，客服主管追下去才發現，那條 FAQ 是好幾次改版前留下來的，早就沒人記得刪。這就是鞏固沒做好，系統裡躺著兩條打架的規則，誰都沒去整合。

（有一類叫 ExpeL 的做法，就是把多次成功跟失敗的軌跡放一起比較，提煉出跨任務的經驗，這才是從「記流水帳」走向「形成知識」。）

第三個動作：檢索（Retrieve）。要帶著版本跟時間去撈。

好的檢索，不能只找「文字最像」的那句。它還得看：現在是任務的哪個階段、用的是哪個工具、環境版本對不對、這條是什麼時候寫的、可信度多高。

講一句最扎心的：

在處理 2026 年的網站時，一條 2024 年、但文字高度相似的舊流程，可能比一條比較新、但字面沒那麼像的經驗，更危險。

因為它會騙過你。長得越像，你越容易信。

第四個動作：遺忘（Forget）。這是最被忽略、也最關鍵的一步。

現實世界一直在變。你的退貨入口改版了、七天鑑賞期的規則調整了、平台運費補貼政策換了。記憶如果不能過期、不能降權、不能被撤銷，AI 就會死抱著一個已經不存在的舊世界，一直用舊地圖找新出口。

永久保存，從來不是持續學習的目標。

知道「什麼時候該不再相信一條經驗」，才是。

把它變成你電商的「記憶卡」

這四個動作要落地，靠的不是把記憶存成一段孤零零的文字。影片提了一個我很喜歡的設計：把每一條長期記憶，做成一張帶「身分證」的記憶卡（Memory Card）。

這張卡至少要記：內容是什麼、來自哪一次任務、結果由誰驗證的、適用哪個客戶或平台版本、可信度多少、什麼時候建的、什麼時候該回頭重查、跟哪些舊記憶有衝突。

如果你問我，這東西一點都不玄。

它就像藥品包裝上那套資訊：批號、有效期限、來源，還有「出事就召回」的機制。你不會因為一盒藥「看起來很像」，就直接給病人吃，你會核對批號跟效期。你的 AI 知識庫，也該有這一套。

它也像一份好的資深客服交接手冊：老鳥離職前，把「這種客訴怎麼處理、哪個狀況要轉主管、去年那個雷別再踩」交代清楚，還註明「這是舊制度，明年一月後作廢」。

以前我們把這種眉角鎖在老員工腦袋裡，人一走就斷。

現在你有機會把它結構化，變成 AI 記得住、又管得動的資產。

差別只在於：你有沒有認真「治理」它，還是只是一直往裡面倒。

順著這個邏輯，還有兩條推論，你一定要記住：

一、檢索回來的結果，不等於行動指令。 它只是「候選證據」。AI 撈到一條記憶，還得拿去跟當下的真實環境核對，才能動手；高風險的事甚至要顯示來源、要求第二道驗證。不然，向量資料庫回傳的第一條相似文字，就會在你不知不覺中，變成系統裡「沒人審查過的最高指令」。

二、評估 AI 記憶好不好，別只看它「找不找得到」。 還要看：撈回來的跟當前任務相不相關、過期經驗被誤用的比例、記憶有沒有提升最後的成功率、以及資料越積越多之後成本會不會失控。

給台灣電商老闆的三個動作

講了這麼多框架，落到你明天就能做的事。記住一個大原則：先別急著再餵資料，先把現有的記憶治理乾淨。

► 一，替你的客服知識庫排一次「保存期限」。 把所有跟檔期、優惠、退貨流程有關的規則抓出來，每一條標上「生效日」跟「作廢日」。這一步就是在幫你的 AI 補上「遺忘」的能力，也是投報率最高的一步。

► 二，做一次「矛盾稽核」。 把 LINE 機器人、網站 FAQ、客服話術三邊的答案，針對高頻問題比對一遍。同一個問題有兩種答案，就是一顆未爆彈，先鞏固成一條。

► 三，高風險問題設「人工關卡」，別讓 AI 全自動。 退款金額、會員權益、合約條款這種，讓 AI 撈證據、給草稿，但最後一哩交給真人。台灣好幾家客服系統業者的導入指南也都建議，複雜客訴一定要留一條轉真人的出口（可參考 CYBERBIZ 電商部落格 的整理）。這不是不信任 AI，是把它擺在對的位置。

最後，回到影片那句我最有感的第一性結論：

原始經歷，不是知識。只有經過驗證、選擇、壓縮、檢索跟遺忘之後，經歷才可能變成未來的能力。

這句話其實不只講 AI。你公司那些「做過但沒整理」的專案、那些鎖在老員工腦袋裡的眉角，也是一樣的道理。

還沒搞懂 AI Agent 是什麼、怎麼被組織起來運作的，可以先補《Agent Harness 是什麼》這篇打底。而如果你想更進一步，把治理好的經驗真的變成 AI「一鍵就能執行」的技能包，我在《Agent Skills 是什麼》裡聊過，怎麼把團隊 SOP 變成 AI 的技能。

記憶負責「記得對」，技能負責「做得到」。兩件事湊起來，你的 AI 才算真的長大。

常見問題（FAQ）

Q1：AI Agent 的「記憶」跟向量資料庫（RAG）是同一件事嗎？

不是。向量資料庫只是「保存 + 用相似度撈回」的其中一種手段。真正的記憶系統，除了撈得回來，還要能判斷寫不寫入、把矛盾經驗鞏固成通則、帶著版本與時間去檢索、以及讓過期的記憶失效。RAG 只做了「找得到」，離「找得對」還有一段距離。

Q2：為什麼我的 AI 客服資料餵越多，反而越常答錯？

因為你餵進去的資料裡，混了大量過期檔期、回錯的舊案例、甚至不同商品線的規則。AI 靠語義相似度檢索時，分不出「長得像」跟「現在還適用」的差別，就很容易撈出一條過期或錯誤的資訊回你。解法不是繼續加資料，是幫它加上「遺忘」跟「來源驗證」。

Q3：電商客服知識庫要怎麼避免記住過時的檔期規則？

給每一條規則標上生效日與作廢日，讓系統能自動讓過期規則降權或失效；定期做矛盾稽核，把 LINE、FAQ、客服話術三邊對齊；並把每條規則做成「記憶卡」，記錄來源、驗證者、適用版本與重查時間。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。