前阵子我在一个写作工具里改一段产品说明，改到第三版时，系统提示可以“沿用上次的风格”。我点了同意。接下来的两段文字确实顺了不少，但也顺得有点过头——它把我上一轮随手加的比喻当成了固定口味，反复端上来。那一刻我意识到，问题不在于它写得像不像我，而在于它已经开始替我决定“我是什么样的人”。
便利的另一面，是被提前写好
生成式人工智能进入日常工作的路径很朴素：你给它材料、语气和约束，它给出一个初稿。为了提高效率，越来越多的产品加入记忆功能，把用户的偏好、历史对话、常用格式存下来，下次接着用。省掉重复交代的成本，这本身没有争议。
麻烦在于，偏好一旦被固化，就会悄悄收窄选择。第一次说“简洁一点”，第十次它可能默认你不需要解释；第一次说“别用感叹号”，后来连正常的强调都被抹平。人做判断时会有例外，会因场景调整，而记录下来的偏好往往只保留了结论，丢掉了当时的语境。
我用过一个会议纪要功能，前几次我要求“压缩篇幅”，它记住了。后来有一次讨论的是流程争议，细节恰恰是关键，它仍然压成三行。我没注意到，差点把结论当成共识发出去。这不是模型能力的问题，是记忆把一次临时指令变成了长期规则。
上下文不是记忆，两者常被混着说
技术上讲，模型在一次对话里能看到的材料叫上下文，超出窗口就看不到；而跨会话保留的偏好，通常靠额外的存储和检索来实现。前者像桌上摊开的纸，后者像抽屉里的档案。很多宣传把两者笼统称作“记得你”，用户也就容易高估它的连续性。
于是出现一种落差：你以为它记得上周的讨论，它其实只拿到了被摘要过的一小段；你以为它忘了你纠正过的错误，它却因为档案里存着旧版本而重犯。生成式人工智能的输出看起来流畅连贯，这种连贯感会掩盖信息拼凑的痕迹，让人误以为背后有一套稳定的理解。
设定越细，越要想清楚谁在定义需求
个性化设定现在做得很细：角色、语气、禁用词、输出格式，甚至可以规定“先给结论再解释”。对团队协作来说，这确实减少了来回沟通。但设定本身也是一种前置判断，写设定的人决定了后来者看到什么、看不到什么。
我见过一种做法：把提示词模板当作部门标准，新人直接套用。模板写得越完整，新人越少追问“为什么这样写”。短期看是效率，长期看是把经验锁进了别人写好的框里。生成式人工智能在这里更像一面放大器，团队里已有的习惯会被放大，包括那些本来值得质疑的习惯。
比较稳妥的用法，是把记忆和设定当成可检查的东西。定期翻一翻存了什么，哪些是临时要求被误存成长期偏好，哪些设定已经和现在的业务对不上。这件事不复杂，但需要有人负责，也需要产品给出足够清楚的查看和删除入口。
保留一点偶然，未必是坏事
我并不反对记忆功能。重复交代背景确实消耗注意力，而注意力在真正需要判断的地方更值钱。但工具替我们记住的东西越多，我们越需要保留主动“清空”的动作——换一种问法，故意不给风格提示，看看它会给出什么。偶尔的偏离，往往能暴露自己没想清楚的地方。
回到开头那段产品说明。后来我把风格提示删了，重新写了一遍，出来两个版本，一个太满，一个太空。我把它们并排放着，自己补了中间那层。生成式人工智能可以很快给出选项，但“选哪个、为什么”这一步，暂时还不该交出去。它记住的应该是我说过的话，而不是替我决定接下来该说什么。