AI 隊友如何建立記憶：將工作轉化為可重複使用的知識
大多數 AI 產品將記憶視為個人功能，記住關於一位使用者或一段對話的事實。 但跨團隊協作的 AI 需要一種截然不同的記憶。 當 AI 系統能夠在先前學習的基礎上再接再厲時，就會變得更加實用。 但在企業軟體中，記憶不僅僅是儲存更多內容的問題。 更困難的問題是，讓記憶在共用工作中發揮作用，同時仍保持其可檢查、可治理且具有權限意識。
這就是我們打算透過 AI 隊友來解決的挑戰。
AI 隊友在不同的環境中運作。 他們在共享任務、專案和文件上進行協作。 他們收到來自多位人士的回饋。 他們跨系統工作。 他們需要持續提升，而不會變成一個充滿隱藏背景資訊、無人能審核的黑盒子。
這造成了不同的設計問題。 AI 隊友需要一種方法，能夠從執行中學習，稍後擷取相關知識，並解釋該知識如何影響其行動。 同時，它不能將所有先前的資訊視為可全面重複使用。 它記住的內容和可以使用的內容，必須遵守與底層工作相同的界限。
在實務上，這意味著記憶成為我們企業級協作架構的一部分。 它將學習、擷取、存取控制和透明度連結至一個系統。
從一次性情境資訊到可重複使用的知識
最簡單版本的 AI 助理每次都會重新開始。 您給它一個提示，也許附加幾個檔案，它會嘗試在那一次互動中提供協助。 這適用於單獨的請求，但在長期的團隊工作流程中很快就會失效。
人類協作者不僅僅是回應目前的訊息。 他們記得團隊偏好的流程、定義良好輸出的範例、重要的文件、上週收到的回饋，以及決定工作應如何完成的專案情境。 若要讓 AI 隊友感覺像真正的協作者，就需要一種能夠累積同類工作知識的方式。
對我們來說，這意味著建立一個涵蓋知識完整生命週期的統一記憶層：
記憶的建立方式
在未來的執行過程中如何擷取這些記憶
它們如何連結至 Work Graph - Asana 的結構化資料模型，可連結整個組織中的任務、專案、人員和目標
使用者如何檢查和管理隊友所學到的內容
最後一點比初看之下更重要。 沒有人能夠檢查或修正的強大記憶系統無法建立信任。 它會建立一個新的故障模式。
AI 隊友如何建立記憶
我們做出的首要設計選擇之一，就是確定隊友產生記憶的適當時機。
一類記憶是在執行期間或執行後推斷出來的。 當隊友執行任務時，它會遇到指示、讀取資源、採取行動並接收回饋。 其中一些資訊是暫時的。 有些則是持久的，值得重複使用，例如，使用者可能會提供「請務必將資料模型審查者加入這些任務的副本」這樣的回饋。 另一個例子是，當隊友閱讀專案時，可能會瞭解專案的目的 (例如： 專案 X 包含有關組織行銷活動最佳作法的資源)。 這些都是持久記憶的絕佳候選。
另一類記憶是明確記憶。 使用者可以直接提供指引，而不必等待系統推斷。 當目標不是從過去的工作中汲取經驗，而是教導隊友如何在更廣泛的工作環境中行事，或如何使用特定資源時，這一點尤為重要。
這種明確的途徑對於與資源連結的記憶來說尤其強大。 使用者可能會授予隊友文件的存取權限，然後說明該資源應扮演的角色。 這是說明團隊如何溝通的流程文件嗎？ 包含領域知識的參考文件？ 是應該塑造未來工作的範本嗎？ 這種區分很重要，因為根據使用者的意圖，相同的來源材料可能會有非常不同的用途。
每當建立一個記憶時，我們都會建立「記憶關聯」，這基本上是指記憶所涉及或相關的 Work Graph 物件。 例如，這可能是記憶所描述的專案，或使用者上傳的 Google 文件資源。 正如我們將在本文中進一步描述的，這些關聯是我們擷取記憶並確保適當存取控制的關鍵。
AI 隊友如何擷取記憶
記憶系統的好壞取決於其擷取模式。 如果正確的知識沒有在正確的時間出現，那麼儲存有用的學習內容是不夠的。
對於 AI 隊友，擷取的運作方式是雙通道系統。
第一條通道是執行開始擷取。 當隊友開始執行任務時，在開始做出決策之前，它會收到一組相關的記憶。 這可能包括應始終適用的固定指示、與目前工作相符的先前學習，或根據搜尋或語義相似性看起來相關的更高層次知識。
第二條通道是執行期間的情境擷取。 當隊友讀取特定任務、專案或其他物件時，也會收到與該物件相關的記憶。 這很重要，因為某些知識在抽象概念上通常不具相關性。 它之所以變得相關，是因為隊友現在正在查看 Work Graph 的特定部分。
這種組合為系統提供了有用的平衡。 隊友可以先從一系列廣泛且可能相關的知識開始，然後在深入閱讀工作內容時獲得更精確的背景資訊。
使記憶可操作
最重要的設計選擇之一，是將記憶呈現為可操作的事物，而非神祕的事物。 在我們的資料模型中，記憶是一個具體的物件，具有內容、中繼資料和關聯。
記憶關聯會擷取記憶所關於或相關的 Work Graph 物件。 這使我們能夠在更廣泛的 Work Graph 中明確地將記憶置於其背景中，而不是讓記憶與其擷取的背景脫節。
存取控制項塑造整個設計
當涉及多位人員、專案和權限時，企業記憶系統就會變得更加複雜。
個人助理 AI 通常會將記憶視為一位使用者歷史記錄的簡單延伸。 然而，一個處理共享工作且可由多位人員觸發的隊友無法安全地做到這一點。 系統建立的任何記憶都源自真實的基礎工作：任務、評論、文件、專案和先前的執行。 如果允許記憶脫離這些來源，它可能會成為跨越權限界限洩漏資訊的管道。
因此，AI 隊友中的記憶必須繼承與其來源工作相同的存取控制邏輯。
每次記憶檢索的範圍都限定在觸發執行的人員。 隊友只有在對產生記憶的工作 (涉及的任務、評論、文件或專案) 具有可視度時，才能存取記憶。 關聯也適用相同規則：若記憶參考任務或專案等 Asana 物件，則僅在觸發使用者也可看到該物件時才會顯示。 換句話說，AI 隊友永遠不會看到觸發者無法看到的任何內容。
透明度使循環完整
最後一個要素是可視度。 如果隊友使用記憶來指導動作，使用者需要一種瞭解該影響的方式。
這始於可檢查的記憶本身。 使用者應該能夠檢視隊友持有的記憶，並刪除可能不準確或過時的記憶。 此外，當隊友執行時，系統可以顯示哪些記憶被傳遞到執行內容中，以及哪些記憶是在執行過程中建立的。
與其抽象地問「AI 為什麼這樣做？」， 使用者可以將行為追溯至特定的學習指令、資源記憶或相關的上下文物件。 修正變得具體：編輯記憶、移除記憶、重新整理來源或新增更好的指引。
例如，如果隊友的報告格式與預期不同，使用者可以檢查其記憶，查看其是否在上週從另一位團隊成員的回饋中學習到格式偏好，並更新或移除該記憶以變更行為。
這就是為什麼記憶和透明度需要一起設計。 隨著時間學習的隊友更強大。 無形學習的隊友更難信賴。
此事的重要性
在我們之前的貼文中，我們探討了 AI 隊友如何在共用團隊空間中透明地運作。 記憶是使協作複合的層級：系統從共享的工作中學習，在重要時候擷取該知識，並在管理工作本身的相同信任界限內進行。
更深層的教訓是，團隊範圍的 AI 需要的不僅僅是更大的情境視窗。 它需要一個模型，將協作轉化為持久、可重複使用、可管理的知識。
在下一篇文章中，我們將探討如何評估和選擇支援此推理的語言模型。
本文由 AI 隊友團隊的工程師 Anant Tibrewal 撰寫，他在該團隊致力於建立和擴展 Asana 的協作代理式 AI 產品。
