AI Agent 不该只是一个聊天框：NomiFun 把它做成了真正的“数字伙伴”

今天大部分 AI Agent，都从聊天框开始，也停在聊天框里。

问题不在聊天框这个界面。聊天框很适合提问：你说一句，它答一句；需求复杂一点，就多聊几轮。

真正的限制是，很多产品仍把一段会话当成主要、甚至唯一的长期信息边界。新开一个会话，刚刚建立的背景就断了；换一个模型，过去形成的偏好和方法也未必还能接上。

聊天框负责交流，会话承载这一次上下文。如果 AI 要长期了解一个人，还需要一个跨会话、跨模型的稳定载体。

最近我一直在看开源项目 NomiFun。它做了会话、知识库、Skill、自动化和本地工作区，其中最有意思的，是它没有把这些功能继续塞进一个越来越大的聊天窗口。

它选择了另一种组织方式：让 AI 先成为一个伙伴，再带着自己的记忆、知识和能力，进入不同的工作会话。

聊天记录越来越多，AI 却没有真正认识你

很多人都遇到过这种情况。

你已经反复告诉 AI，自己的读者不是程序员，不要堆技术术语；写公众号时先讲真实问题，不要一开头就说“随着人工智能快速发展”；标题也不要动不动就“颠覆”“革命”。

在当前对话里，它记住了。

第二天新建一个窗口，同样的毛病又回来了。

于是你把要求整理成提示词。提示词越来越长，又把历史文章、品牌资料和工作流程放进知识库。后来还要给它接工具、配 Skill、设自动化任务。

单个能力都能解决一个问题，但它们没有共同的归属。

只要会话会结束、模型会更换，长期积累就需要一个不随两者消失的载体。它可以叫账号档案、Agent Profile，也可以叫伙伴。NomiFun 选择的是伙伴。

记忆属于哪个 AI？知识库该挂在哪个会话？哪些 Skill 代表这个助手的做事习惯？换一个模型以后，过去积累的东西还算不算数？

如果这些问题没有答案，所谓“长期陪伴”最终只是聊天记录保留得更久。

这也是很多 AI 产品目前最尴尬的地方：模型越来越聪明，用户却仍然要不断重复介绍自己。

模型在进步。

关系没有积累。

NomiFun 先把“模型”和“伙伴”分开了

我们很容易把一个 AI 等同于它背后的模型。

用 Claude，就是 Claude；换成 GPT，面前似乎又变成了另一个 AI。于是模型一升级，助手也跟着换了一代。

NomiFun 的处理方式不一样。

伙伴有自己的名字、形象、人格、聊天线程和长期配置。模型只是伙伴当前使用的推理能力，可以更换；挂在伙伴身份下的配置与积累，不需要跟着模型一起清零。

这里的“伙伴”，不是在证明软件拥有人的意识或人格。它首先是一个工程上的稳定身份容器：记忆、知识和能力都能挂在这个身份下面。

这一步非常关键。

当模型不再等于伙伴，很多原本散落的能力才有了稳定的主人。

记忆不再是系统随手保存的一段摘要，而是归属于某个伙伴的长期信息。知识库不再是所有聊天都能翻阅的公共文件柜，而是这个伙伴持续使用的专业资料。Skill 也不只是安装在软件里的功能，而是挂在伙伴身上的一套做事方法。

你甚至可以同时拥有多个伙伴。

一个长期跟着你做内容，知道账号定位、表达习惯和历史选题；另一个熟悉代码项目，记得技术选择和排错方式。它们面对同一个用户，却不会自动共享全部记忆。

有人可能会觉得，共享不是效率更高吗？

但如果所有伙伴拥有同一份记忆、同一批资料、同一套技能，那它们只是几个不同的头像。真正让伙伴彼此不同的，并不只是人设，而是各自参与过什么、保存了什么、掌握了什么。

独立记忆不能证明软件拥有人的身份，却能让多个伙伴不再只是换头像，也为它们长期形成差异提供了条件。

记忆、知识库和 Skill，不能再各管一摊

NomiFun 的伙伴设计里，记忆、知识库和 Skill 分别回答三个问题。

记忆回答：它了解你吗？

知识库回答：它懂这件事吗？

Skill 回答：它会把事情做完吗？

这三者经常被混在一起。

比如“公众号不要写得像说明书”，这是用户偏好，适合进入记忆；品牌定位、产品资料和过去发布的文章，是需要反复检索的系统资料，应该放进知识库；从选题、长文到配图、再到多平台分发，则是一套可以稳定执行的 Skill。

如果全部塞进提示词，内容会越来越长，边界也越来越乱。把所有信息都叫作记忆，同样会出问题。一次性的项目材料、长期有效的个人偏好和可重复执行的方法，本来就不是同一种东西。

NomiFun 没有试图用一种“超级记忆”解决所有问题。

它让伙伴成为上层身份，再让记忆、知识库和 Skill 各自承担不同职责。

这带来的变化，不只是 AI 知道得更多。

更重要的是，系统给三类信息安排了不同的落点：长期偏好进入记忆，体系资料进入知识库，可重复的方法进入 Skill。

一个真正好用的伙伴，不能只会把你说过的话存下来。

它还要把与你有关的事实、某个领域的知识，以及完成工作的能力分开管理。

伙伴需要连续性，任务需要隔离

当一个伙伴越来越了解你，另一个问题马上会出现。

如果所有任务都在同一个空间里完成，长期积累很快就会变成长期混乱。

写公众号的素材、客户项目的文件、正在修改的代码、随口聊过的生活安排，全都堆在同一个聊天框里。上下文确实很长，但边界消失了。

很多 AI 产品把希望寄托在更长的上下文上，仿佛模型只要能一次读完更多内容，就能解决所有问题。

可人工作时并不是这样。

一个了解你很多年的同事，不会把你们聊过的所有事情摊在每一张项目桌上。他会带着对你的理解进入新项目，但这个项目仍然有自己的资料、过程和边界。

所以 NomiFun 又做了一层区分：

伙伴负责连续性，工作区负责隔离。

每个会话可以拥有自己的工作区。写文章就在文章的房间里处理草稿和配图，改代码就在项目房间里运行文件和测试。伙伴可以参与不同任务，但任务之间不需要共享全部内容。

工作区首先隔离的是文件、产物和执行环境。它解决了任务材料混在一起的问题，但仅凭这一层，还不能说明伙伴进入新任务时会带入哪些长期信息。

真正把“伙伴连续”和“任务隔离”接起来的，是下一步召唤机制。

“召唤伙伴”，不是把所有记忆倒进新会话

NomiFun 里还有一个很有画面感的动作，叫召唤伙伴。

当一项工作比较重，需要单独处理文件、调用工具或长时间执行时，伙伴可以建立一个新的工作会话，再进入这个会话协助完成任务。

如果只是给新会话加一段相同的人设，这个功能没有多大意义。

真正有价值的是，伙伴进入工作会话时，可以带上自己的 Skill，并从长期记忆中挑选和当前任务有关的部分。不是把全部经历打包复制，而是只带这次工作需要的东西。

被带入工作会话的伙伴记忆还是只读的。

做一次项目，不应该随意改写一个伙伴对你的长期理解。任务中产生了什么，哪些内容值得留下，需要经过新的判断，而不是执行过程自动污染记忆。

这套设计背后有一个很朴素的原则：了解一个人，不等于每项任务都需要他的全部信息。

工作区隔离任务材料，召唤机制限制带入的信息。两者放在一起，可以减少无关资料进入工作会话，也降低一次任务反过来改写长期记忆的风险。

我们可能一直用错了衡量 AI Agent 的单位

今天评价一个 AI，大家习惯看模型排行榜、上下文长度、工具数量和任务成功率。

这些当然重要。

但它们衡量的主要是一次任务能做多好。

个人 AI 还有另一条尺度：相处半年以后，它是否真的比第一天更懂你？换掉背后的模型以后，过去的积累是否还在？进入不同项目时，它能否带上相关经验，同时把不相关的信息留在外面？

如果这些问题没有解决，Agent 再强，也只是一个能力惊人的临时工。

NomiFun 目前仍然是快速迭代中的开源项目。伙伴记忆是否准确、普通用户能不能轻松配置、多伙伴长期使用后会出现哪些新问题，都需要继续验证。

但它提出的产品方向很清楚。

聊天框围绕一次交流组织信息。

数字伙伴围绕一个持续身份组织记忆、知识和能力。这里的“数字伙伴”，指的不是拟人的称呼，而是一组可检查的产品条件：身份能跨会话保留，记忆有独立归属，知识和 Skill 可以持续积累，进入具体任务时又有明确边界。

前者追求这次答得更好。

后者还要回答：下一次见面时，我们是否真的不必从头开始？

AI Agent 的下一步，未必只是拥有更多工具。

它需要一个能够承接长期积累的稳定身份层，也需要一套不会把所有事情混在一起的边界。

聊天会结束。

模型会更换。

任务也会一个接一个地过去。

一个长期服务你的个人 AI，应该能在这些变化之后继续“认得你”：保留已经确认的偏好，找到相关的项目知识，沿用形成的方法，同时不把无关信息带进新任务。

这才是“伙伴”两个字最有价值的地方。

如果你可以长期培养一个数字伙伴，你最希望它记住什么？又有哪些事情，只应该留在某一个工作区里？

—— 月明水清深