Claude 和 ChatGPT 记忆架构设计对比分析

本周早些时候，我分析了 ChatGPT 的内存系统。之后，我对 Claude 进行了同样的分析，发现了一些惊人的东西：这两个领先的 AI 助手建立了完全相反的内存系统。

在这篇文章中，我首先会详细分解 Claude 的内存工作原理——它存储什么以及如何检索信息。然后我们会深入到有趣的部分。为什么这些架构差异如此之大，这告诉我们什么关于每个助手的用户，以及推动各自产品开发的哲学，以及 AI 内存设计空间有多庞大。

Claude 的内存系统有两个基本特征。首先，它在每次对话开始时都从零开始，没有任何预加载的用户档案或对话历史。内存只有在你明确调用它时才会被激活。其次，Claude 仅通过引用你的原始对话历史来回忆。没有 AI 生成的摘要或压缩档案——只是通过你实际过去的聊天进行的实时搜索。

当 Claude 通过"what did we discuss about"、"continue where we left off"或"remember when we talked about"这样的短语检测到内存调用时，它会部署两个检索工具，这些工具的工作方式类似于网络搜索或代码执行——你能看到它们实时激活，并在 Claude 搜索你的历史记录时等待。搜索完成后，Claude 合成检索到的对话来回答你的问题或继续讨论。

conversation_search 工具帮助在你整个对话历史中进行关键词和基于主题的搜索。当我问"嘿，你能回忆我们过去关于 Chandni Chowk 的对话吗？"（德里的一个历史街区）时，Claude 找到了 9 个相关的对话——从我探索它由 Princess Jahanara Begum 在 1650 年创立的时候，到我关于 Karim's 最好的 galouti kebabs 和 Paranthe Wali Gali 馅饼的查询。Claude 将这些分散的讨论合成为关于我的 Chandni Chowk 探索的连贯摘要。

当你询问多个主题时，Claude 会按顺序运行单独的搜索。在我之前作为密码学研究员的工作中，我广泛使用 Claude 作为编辑。当我问"告诉我我们就 Michelangelo、Chainflip 或 Solana 进行过的所有对话"时，Claude 运行了三个单独的搜索——一个用于我对神经网络的 Michelangelo 类比，另一个用于 Chainflip 的跨链协议工作，第三个用于 Solana 的技术架构。它在这些搜索中找到了 22 个对话，并提供了一个统一的响应，其中包含每个聊天的直接链接。

{
  "description": "Search through past user conversations to find relevant context and information",
  "name": "conversation_search",
  "parameters": {
    "properties": {
      "max_results": {
        "default": 5,
        "description": "The number of results to return, between 1-10",
        "exclusiveMinimum": 0,
        "maximum": 10,
        "title": "Max Results",
        "type": "integer"
      },
      "query": {
        "description": "The keywords to search with",
        "title": "Query",
        "type": "string"
      }
    },
    "required": ["query"],
    "title": "ConversationSearchInput",
    "type": "object"
  }
}

时间段聊天检索

recent_chats 工具提供了对你的对话历史的基于时间的访问。当我问"你能告诉我我们在最后 10 个对话中讨论了什么吗？"时，Claude 按时间顺序检索了我最近的聊天，并给出了最近使用情况的摘要。

该工具还处理特定的时间范围。当我问"2024 年 11 月最后一周我们讨论了什么？"时，Claude 从那个确切的时期检索了 16 个对话。

{
  "description": "Retrieve recent chat conversations with customizable sort order (chronological or reverse chronological), optional pagination using 'before' and 'after' datetime filters, and project filtering",
  "name": "recent_chats",
  "parameters": {
    "properties": {
      "after": {
        "anyOf": [{"format": "date-time", "type": "string"}, {"type": "null"}],
        "default": null,
        "description": "Return chats updated after this datetime (ISO format, for cursor-based pagination)",
        "title": "After"
      },
      "before": {
        "anyOf": [{"format": "date-time", "type": "string"}, {"type": "null"}],
        "default": null,
        "description": "Return chats updated before this datetime (ISO format, for cursor-based pagination)",
        "title": "Before"
      },
      "n": {
        "default": 3,
        "description": "The number of recent chats to return, between 1-20",
        "exclusiveMinimum": 0,
        "maximum": 20,
        "title": "N",
        "type": "integer"
      },
      "sort_order": {
        "default": "desc",
        "description": "Sort order for results: 'asc' for chronological, 'desc' for reverse chronological (default)",
        "pattern": "^(asc|desc)$",
        "title": "Sort Order",
        "type": "string"
      }
    },
    "title": "GetRecentChatsInput",
    "type": "object"
  }
}

一年前，ChatGPT 和 Claude 的助手应用在功能上不分伯仲——多个模型、文件附件、项目管理。从那以后，它们的路径已经大幅分歧。ChatGPT 已经进化成为一个大众市场消费产品，而 Claude 则刻意选择了不同的轨迹。Anthropic 首席产品官 Mike Krieger 承认 OpenAI 在消费者采用方面"闪电入瓶"。与其追逐这个市场，Anthropic 正专注于 Claude 最擅长的：开发者工具、编码和专业工作流。

内存实现完美地反映了这种分歧。

ChatGPT 拥有数亿周活跃用户，来自各种背景——学生、家长、爱好者——他们只是想要一个能工作并记住他们的产品，而不用思考其中的机制。每个内存组件都自动加载，在零等待时间内创建即时个性化。该系统构建详细的用户档案，学习可能最终推动定向功能或商业化的偏好和模式。这是经典的消费科技剧本：让它神奇，让它上瘾，稍后再想出不同的变现方式。

Claude 的用户代表一个完全不同的人口群体。Anthropic 的技术用户从根本上理解 LLM 如何工作。他们对每个层级的显式控制感到舒适。就像他们选择何时触发网络搜索或启用扩展思维一样，他们决定何时值得调用内存。他们理解内存调用会增加延迟，但他们会有意地做出这种权衡。内存成为他们工具库中的另一个工具，而不是始终开启的功能。这个受众既不需要也不想要详尽的用户档案——他们需要一个强大的、可预测的专业工作工具。更不用说，他们也更注重隐私。

内存设计空间

令我惊讶的是，ChatGPT 和 Claude——两个顶级 AI 助手——已经建立了完全相反的内存系统。这仅仅表明，AI 中的内存拥有一个巨大的设计空间，没有正确答案或万能之策。你必须从你的用户是谁以及他们需要什么向后推导，然后根据第一原理进行构建。

我们处于未知的领地。这些工具不到三岁，没有人知道当某人使用同一个 AI 助手十年时会发生什么。它应该记住多少？它应该如何处理多年积累的上下文？同时，我们看到了 AI 应用的寒武纪大爆发，每个都尝试自己的内存方法，而底层模型每周都在变得更强大。没有剧本，没有既定的最佳实践——只是每个人都在尝试不同的东西，看看什么能坚持下来。

我越是深入内存研究，就越是着迷。在接下来的几周里，我将分析不同的架构、研究新的方法，并跟踪最新的研究。如果你想在这个领域不断演进时获得更新，请在下方订阅。

更新：发布后数小时，Anthropic 宣布了一项针对 Team 和 Enterprise 账户的新内存功能，看起来更接近 ChatGPT 的方法。我还没有尝试过（Max 计划上不可用），但一旦我尝试过，我会分享一个更新。