三个月前你跟它聊过这家公司，今天它一个字都不记得

四月份的时候，你花了一个下午，把某家制造业公司的三年财报和几份公告丢给 AI，来回问了二十几轮，最后理出一条挺清楚的判断：它的成本优势来自某个特定环节，这个优势能不能守住，要看接下来两个报告期的一个具体指标。你挺满意，关了窗口。

七月，那份新财报出来了。你打开一个新窗口，问它：「上次我们说的那个指标，这期怎么样？」

它开始跟你客气地确认：请问是哪家公司，您指的是哪个指标。

那一刻你会有一种很具体的挫败感——不是它答错了，是你们之间那三个月根本不存在。你上个季度花掉的那个下午，从它的角度看，没有发生过。

这件事值得认真拆一拆。因为投资研究这活儿，天然是按季度、按年计的。你今天的每一个判断，都站在你过去某个时点的判断之上。一个每次都从零开始的助手，能帮你干的活是有天花板的，而这个天花板在哪，取决于你怎么处理「记住」这件事。

先划清边界：这篇讲的是怎么让长期跟踪不中断，不涉及任何具体标的的买卖，也不构成投资建议。

先讲一件跟投资没关系的事

想象你有一种慢性病，需要长期看门诊。

这家诊所的规矩很奇怪：每次去，接诊的都是一位新医生。医术都不差，但没有一个人见过你上次的样子。你说「上次那个药吃了以后头晕」，他会礼貌地问你上次是什么药、什么剂量、吃了几天。

在这种诊所里，你能得到多好的治疗，几乎完全取决于一样东西：你手里那本病历。

病历记得全，新医生五分钟就能接上；病历只记了「情况尚可」，那他能给你的就只有一个从零开始的方案。而这种情况下最要命的错误不是记漏，是你以为医生记得。你带着「他应该知道」的预设去描述症状，说得很省略，他就在一堆缺口上做判断。

再往前一步。有一天诊所说，我们上系统了，能自动帮你记病历，你不用带本子了。听起来是好事。但你得先搞清三件事：它记的是原话还是摘要？旧的记录会不会被自动清掉？调出来的时候，是全部给医生看，还是系统挑几条它认为相关的给他看？

这三个问题的答案，决定了那本系统病历值多少钱。 后面讲的所有技术方案，本质上都是在这三个问题上做取舍。

放到投研上，你到底怕丢掉什么

「让 AI 记住」这句话说得太笼统了。跨季度跟踪一家公司，真正需要延续下来的其实是三样性质完全不同的东西，丢掉任何一样，后果都不一样。

第一样是结论。 你当初判断它成本优势能守住。这个最容易记——一句话的事，你自己也忘不了。

第二样是依据。 你凭什么这么判断：哪几份文件的哪几个数字、哪个环节的什么特点、你做了什么样的横向对照。这个就开始难记了。三个月后你还记得结论，但支撑它的那几块砖，你多半只剩个模糊印象。而真到了要修正判断的时候，你要动的恰恰是砖，不是结论。

第三样最难记，也最值钱：当时你不知道什么。 四月份你判断的时候，有三个问题是悬着的，你标了「等下期数据」。七月份数据出来了，你如果记不起当初悬着的是哪三个，你就会拿今天的信息去重新解释四月份的判断，然后得出一个「我当时想得挺对」的结论。

第三样为什么值钱，量化那边有个现成的说法：一个数字什么时候才被人知道，比它是多少更重要。这就是 Point-In-Time 数据 那篇在处理的问题——你要能还原「在那个时刻，可获得的信息是什么」。投研笔记里的时间戳，起的是同一个作用。记不住当时的信息边界，你就永远在给自己发事后诸葛亮的奖状。

所以「让 AI 不失忆」这个需求，准确说不是让它记住你聊过什么，是让依据和信息边界这两样东西能跨季度活下来。

它为什么会忘：这不是缺陷，是结构

模型干活的时候，眼前有一块工作台，叫上下文。你这次对话里说的话、贴进去的材料、它自己产出的中间结果，全摊在这块台面上。它做推理，就是在读这块台面。

台面有大小。更关键的是——会话一结束，台面清空，什么都不留。下次开工，是一块干净的台子。

它不是「忘了」，是那些东西压根没有被写到任何地方。模型自身的权重在你跟它对话的过程中一个字节都没变过。所以你没法「教会」它你的持仓逻辑，就像你没法通过跟一个人聊天来改写他的记忆结构。

想让上次的东西出现在这次的台面上，只有一条路：有人把它重新搬上去。所有记忆方案，无一例外都是在解决「谁来搬、搬什么、怎么搬」。这一步落在 Agent 干活的哪个环节，Agent 循环 那篇讲得更细。

下面三条路，代价各不相同。

路线一：你自己记，每次全量喂回

最土的办法，也是最靠谱的办法。

你自己维护一份文档，记着这家公司的判断、依据、待验证的问题。每次开新会话，把整份文档粘进去，然后问今天的问题。

代价有三层，得说清楚。

文档会越滚越长。 一家公司跟一年，笔记攒到几千上万字很正常。每次全量喂回，意味着每次都要为这些字付一遍钱和一遍等待时间。跟几家公司，这个成本就不是零头了。什么活值得这么花，成本权衡 那篇专门算这笔账。

篇幅上去以后，它抓重点会变得不稳。 一份很长的材料塞进去，你问一个只跟其中某一段有关的问题，它有时候会答得很准，有时候会盯着开头结尾那几段说话。这不是它偷懒，是长材料里的信息本来就有主次，而它判断主次的依据只有你的问法。缓解办法很朴素：把最关键的那几句放在你问题的最近处，别指望它自己去几千字里挑。

你得真的去维护它。 这一条才是真正会失败的地方。技术上没有难度，难在你得在每次研究结束时花五分钟把新东西写进去。没写，这条路就断了，而且断得悄无声息。

代价这么大，为什么还说它最靠谱？因为它有一个别的方案都给不了的性质：这份东西你能读、能核、能拿去判自己错。这一点后面还要展开。

路线二：不记流水账，记一份结构化的档案

对路线一的直接改良：别把它当日记写，把它写成一份有固定格子的档案。

投资论文就是这样一份档案——核心判断几句话、可验证的假设几条、触发就必须重做功课的红线几条、估值锚点、追踪记录表。怎么写、每一格解决什么问题，投资论文 那篇整篇都在讲这件事。

结构化对「喂回给 AI」这件事有个具体的好处：格子明确，就能只喂相关的格子。今天只想核一条假设，就喂核心判断加那一条假设，不用把一年的追踪记录全搬上去。成本降下来了，它的注意力也不会被无关的东西分掉。

更重要的好处在别处。结构化档案能做逐格对照——三个月前那格写的是什么，今天这格写的是什么，一眼能比。散文体的笔记没法比，因为散文可以兼容任何后来发生的事。这正是 论文漂移 那篇在防的东西：你的理由在你没察觉的时候被换掉了，而只有结构化的旧快照能把这个替换抓出来。

代价是这份结构得你自己搭、自己填。AI 能帮你把口述整理进格子里，但哪几句是真正撑住这笔投资的，只能是你的答案。

路线三：检索式记忆，用多少捞多少

第三条路是让程序来搬。做法是：把你的笔记切成一条条独立的记录存起来，每次提问前，系统按当前问题去这堆记录里捞几条最相关的，只把捞到的那几条拼进上下文。

这条路最容易被想得很玄，其实拆开看很朴素。拿 Vibe-Trading 这个开源项目的记忆模块当标本，它整套东西的底子就是一堆带元信息头的纯文本文件，外加一份索引文件，零外部依赖。每条记录有标题、描述、关键词、创建和更新时间，按用途分进几个目录。

它在这个底子上加了几层，每一层对投研都有直接的含义：

分类目录。 记录按类型分进不同子目录，检索时可以只扫某一类，不用全扫。对应到投研，就是「行业常识」和「这家公司的假设」不该混在一个池子里捞。

全文检索索引。 早期版本是顺着所有文件挨个扫词，后来加了一个倒排索引，先查索引再定位文件。值得一提的是它专门为中日韩文字做了处理——把连续的汉字既拆成单字也拆成相邻两字的组合去建索引，否则中文笔记会因为不带空格而整段变成一个词，根本检索不出来。用中文记笔记的人，遇到「明明写过却搜不出来」，八成卡在这一步。

三级压缩。 一条记录放着不动，过了一段时间会被压成摘要，再过更长时间会被压成更短的关键词摘要。原文在压缩前会先归档。触发天数在源码里是常量，属于当前默认值，可以改。

重要性衰减与容量回收。 每条记录有个质量分，随时间指数衰减，被访问会加一点分回来，衰减半衰期在这个快照里大约是两周，同样是可配置的默认常量。分低到一定程度、或者总量超了容量上限，就会被回收掉。

看到这里你可能觉得挺完备。但正是这两层，在投研场景里要格外小心。

自动遗忘会删掉你最需要的那一条

压缩和衰减这套设计，是给一类特定需求做的：让助手记住你的使用偏好、常用的工具、你纠正过它的地方。这类记忆有个共同特点——新的比旧的有用，常用的比不常用的有用。所以按时间衰减、按访问频次加分，完全合理。

投资档案的性质刚好相反。

你四月份写下的那条「如果这个指标连续两期低于某水平，我就承认自己看走眼了」，在接下来三个月里一次都不会被访问。它按上面那套规则，分数会一路掉下去，掉到某天被压成一句摘要，再掉到某天被回收。而它恰恰是七月份最该被原样调出来的那一条。

衰减机制会优先删掉那些「长期不用、用上一次就定生死」的记录。 而投研里最值钱的记录，全都是这个形状。

同样的问题还有第二处：条目有长度上限，超了会被截断并留一个标记。你把一份完整的投资论文当成一条记忆存进去，很可能存进去的是它的前半截——而红线清单和「什么算我错了」通常写在后半截。

再有一处更隐蔽：捞不到不会报错。检索式记忆按相关度返回几条，返回不了相关的，它就返回几条不太相关的，或者返回空。你这边收到的是一个照常回答你的模型，不是一句「我没找到你三个月前那条」。它会用手头有的东西把答案补完整——这正是 幻觉与事实核验 那篇讲的那类错误在记忆场景下的变体：缺口不会显形，只会被填平。

顺带说一句，那个项目里这些机制默认是关着的，靠环境变量一个个打开。作者自己把它们做成可选项，这件事本身就是信息——这些能力是有代价的，代价大到不适合默认承担。

所以最可靠的那份记忆，只能是你手写的

把上面三条路放在一起看，会得出一个不那么时髦但很实在的结论。

只有你自己写下来的那份，具备三个别的方案给不了的性质。

你能读。 你随时能打开它，一眼看全，知道里面有什么、缺什么。检索式记忆你打不开——准确说你打得开文件，但你不知道下一次提问时它会捞出哪几条，也就不知道模型实际是拿着什么在回答你。

它不会被谁悄悄改动或删掉。 没有压缩、没有衰减、没有容量回收。你三年前写的那句话，三年后还是那句话，一个字不差。

出了事，它能当证据用。 这条最要紧。投资论文这套东西存在的全部意义，是在将来某一天站出来告诉你「你错了，按当初说好的办」。一份能被自动摘要、自动衰减、自动回收的记录，做不了这个证人——你没法排除「它已经被改过或漏掉了一段」的可能，而一个可能被动过的证人，在你最需要它的那一刻是不能用的。

这不是说检索式记忆没价值。它的合理位置是加速器，不是档案柜：帮你从一年的笔记里快速捞出相关片段，省掉翻找的功夫。但捞出来的东西，判断权和存档权都还在你这儿。

一套能落地的最小纪律，大概是这样四条：

单一事实源放在你自己的文件里。 一家公司一个文件，带日期，只追加不覆盖。这是唯一的权威版本，其它任何地方存的都是副本。

每次会话开头，手动喂回固定的那一段。 就是核心判断加当前在验的那几条假设。别指望自动机制替你决定喂什么。

每次会话结束，手动追加一段。 写三行就够：今天问了什么、得到什么、哪几个问题还悬着。第三行是最容易省掉也最不该省的。

凡是要写进档案的数字和引述，回一手材料核过再写。 记忆系统会忠实地保存一个错误的数字，然后你在接下来一年里反复引用它。错进档案的东西，比错在对话里危险得多，因为它获得了「我当初查过」的地位。

小结

• 模型不是忘了，是那次对话的内容压根没写进任何地方。想让上次的东西出现在这次，只能有人重新搬上去。
• 跨季度跟踪真正要保住的是三样：结论、依据、以及当时你不知道什么。第三样最难记也最值钱，丢了它你就只会给自己发事后诸葛亮的奖状。
• 全量喂回最土最可靠，代价是成本、长材料里抓重点不稳、以及你得真的去维护它。
• 结构化档案让「只喂相关格子」和「逐格对照」成为可能，这是散文体笔记做不到的。
• 检索式记忆的自动遗忘是为「新的更有用」这类需求设计的，而投研里最值钱的记录恰恰是「长期不用、用上一次就定生死」的那种，会被优先删掉；条目还有长度上限，红线清单常在被截断的后半截。
• 检索捞不到不会报错，只会把缺口填平——这是记忆场景下最隐蔽的一种幻觉。
• 最可靠的那份记忆必须你自己写：你能读、不会被悄悄改、将来能当证据用。检索式记忆是加速器，不是档案柜。

一句不带术语的话说完这篇：工具可以帮你翻本子，但那个本子得是你自己一笔一笔写的，不然到了要认错的那天，你手里什么都没有。

本文所引开源项目的机制说明来自上述源码快照的阅读，不是运行结果，也不构成对任何工具的推荐或效果承诺。回 量化与 AI 投研概念库 看其它概念各自在说什么。