摘要
今天一起来读一篇ChatGPT Memory的逆向工程博客（https://manthanguptaa.in/posts/chatgpt_memory）。大语言模型（LLM）的无状态性（Statelessness）一直是构建个性化 Agent 的核心瓶颈，OpenAI 很早在 ChatGPT 中推出的 Memory 功能，标志着从单纯的 RAG（检索增强生成）向“主动式状态管理”的范式转移。本文将基于逆向工程视角，尝试理解ChatGPT 的bio工具机制，探讨其构建长期记忆”的智能体的设计逻辑。
1. 引言：超越 Context Window
在 LLM 应用开发中，上下文窗口（Context Window）通常被视为“工作记忆（Working Memory）”。然而，完全依赖上下文窗口存在两个致命缺陷：
- 成本与延迟：随着对话轮数增加，Token 消耗呈线性甚至指数级增长，推理延迟显著上升。
- 遗忘曲线：虽然 Gemini 1.5 等模型支持百万级上下文，但在极长上下文中，“大海捞针（Needle in a Haystack）”的准确率仍会下降，且无法跨 Session（会话）持久化。
OpenAI 的 Memory 功能
