linghao.io
AI memory shouldn't just remember what you said—it needs to notice what you forgot to do. Discover how "Shadow Profiling" the negative space of user behavior can transform AI from a reactive tool into a proactive coach.
AI 生成摘要
AI 記憶不應只是記住你說過的話，它需要注意到你忘記做的事。探索如何透過對使用者行為的負空間進行影子剖析，將 AI 從被動工具轉變為主動教練。
目前 AI 應用程式中的個人化與記憶架構嚴格來說是「累加式」的：它們側寫使用者的行為或言論，將記憶視為一項壓縮任務。
然而，它們未能捕捉到「負空間（Negative Space）」——即使用者「未採取」的關鍵行動。要從被動工具進化為專業教練，AI 系統必須識別出：何時行動的缺失暗示了使用者發展軌跡中的缺口。
標準的記憶流水線在設計上是被動的。它們等待使用者輸入，對其進行摘要並儲存。由於只關注「正空間」，模型會受困於已知資訊的內容循環中。
如果一位使用者正在學習日語，但從未詢問過聽力理解，標準的「累加式」記憶只會記錄該使用者擅長漢字，而不會意識到使用者對口說語言正變得「充耳不聞」。為了修正這一點，我們需要一個執行「影子側寫（Shadow Profiling）」的流水線：針對使用者「應該做但沒做」的事情產生假設。
雖然這一論點可能適用於許多案例，但目前讓我們專注於一個具體的關鍵使用者旅程（CUJ）——為處於「成長期」的使用者提供指導：即具有既定最佳實踐、長期的且目標導向的階段。
在整個探索過程中，我們將追蹤三類典型使用者：
我們可以透過一個定期運行的四步驟離線流水線來實現這一點。
流水線掃描近期的日誌，以偵測使用者是否進入了一個持續性的專案。它會重構出一個「潛在規格（Latent Spec）」——即查詢背後推斷出的目標。
流水線使用尖端模型，針對該特定的潛在規格動態生成一份「成功清單」或「能力樹（Competency Tree）」。這是該旅程「完整版本」的基準。
流水線使用尖端模型來尋找使用者實際活動與能力樹之間的缺口。
流水線將這些缺口輸出為「影子記憶（Shadow Memories）」。這些記憶會作為「軟約束」注入到未來對話的上下文中。
範例：語言學習者
使用者：「給我一份 N3 單字表。」
AI 介入：「這是清單。既然你最近在閱讀方面表現出色，要不要試試這些單字的音訊練習，來練習聽力理解？」
範例：獨立開發者
使用者：「我該如何觸發這個正式環境的建置（production build）？」
AI 介入：「這是建置指令。在我們推送之前，我注意到我們還沒討論過鎖定 API 路由——你需要一個快速置入的驗證（Auth）方案來先確保安全性嗎？」
範例：業餘運動員
使用者：「今天跑了 16 英里。腿很沉重。」
AI 介入：「很棒的里程碑！既然你跨越了 15 英里的門檻，糖原儲備會開始迅速耗盡。你開始為這些長距離訓練測試補給策略了嗎？」
透過系統性地側寫負空間，我們將 AI 的角色從被動的回應者轉變為具備高度上下文意識的夥伴。這使我們能夠引導使用者避開他們甚至不知道存在的陷阱。
AI 記憶的未來不僅僅是記住我們說過的話，而是理解我們忘記做的事。
生成式 AI 使用聲明：本文由我與 Gemini 3.0 Pro 進行長時間討論後初稿，隨後由其進行精煉。