工作台 vs 长期记忆

概述

一种 AI Agent 架构心智模型：将上下文窗口视为用完即扔的临时工作台（Working Memory），将文件系统视为永久存储的长期记忆（Persistent Memory），每次迭代使用全新的上下文窗口，从文件读取状态继续工作。

关键内容

1. 核心隐喻： ``` 上下文窗口的本质：工作台（working memory） 文件系统的本质： 长期记忆（persistent memory）

Ralph 的核心原则： 工作台用完就扔，换一张新的 所有重要东西只放在文件系统里 ``` 这一模型由 Geoffrey Huntley 在 Ralph Wiggum 技术中提出，是 Ralph Loop 系统的架构基石。

1. 与 LLM 无状态性的关系：LLM 本质上是无状态的——每次推理调用都是独立的，不保留任何历史。"工作台 vs 长期记忆"模型正视这一本质，而非试图通过技巧让 Agent"记住"之前的对话。所有需要跨迭代保留的信息都必须写入文件。

2. 工作台（上下文窗口）的特征：

3. 容量有限：受限于模型的 context window（如 200k tokens）
4. 高速访问：Agent 可以直接"看到"上下文中的所有内容
5. 用完即弃：每次迭代结束后整个工作台被清空

6. 不适合持久化：依赖上下文记忆会导致信息丢失和上下文腐烂

7. 长期记忆（文件系统）的特征：

8. 容量无限：文件系统大小仅受磁盘限制
9. 持久化：写入后永久保留，跨会话、跨 Agent 实例共享
10. 按需加载：新 Agent 通过读取特定文件获取所需信息

11. 可审计：所有状态变更都有文件记录，可追溯

12. 在 Ralph Loop 中的实现：

13. prd.json：任务清单——"要做什么"的权威源
14. progress.txt：交班日记——"做了什么"的操作日志
15. AGENTS.md：经验手册——"学到了什么"的知识积累

16. Git 历史：代码变更——"怎么做的"的完整记录

17. 与 Context Engineering 的关系：这一模型是上下文工程的一种极端实践——完全外部化状态。不同于分层记忆或按需检索策略，它选择将所有状态写入文件，每次从零开始重建上下文。这种设计的代价是每次迭代需要重新读取文件，但收益是完全免疫上下文腐烂和上下文焦虑。

18. 设计权衡：

19. 优势：简单、可靠、可审计、不受上下文窗口限制
20. 代价：每次迭代有文件读取开销，Agent 需要重新"理解"项目状态
21. 适用场景：长时自主编码任务、跨多天的开发项目、需要严格进度追踪的场景

来源

• raw/articles/ai-tools/ralph-loop/SKILL.md — Ralph Loop Skill 核心哲学章节

相关

• Ralph Loop — implements（Ralph Loop 系统的架构基石）
• Context Engineering — part_of（上下文外部化的极端实践）
• Session 交接机制 — enables（三文件架构是长期记忆的具体实现）
• 上下文窗口 — relates_to（上下文窗口作为工作台的本质理解）
• LLM-Statelessness — extends（正视 LLM 无状态性的架构设计）
• Geoffrey Huntley — relates_to（原创提出者）