Jak sprawić, żeby AI pamiętało cię w każdej rozmowie

Każdy duży model językowy jest z założenia bezstanowy. Kiedy rozmowa się kończy, okno kontekstu — robocza pamięć modelu — zostaje odrzucone. Sam model niczego się o tobie nie uczy między sesjami: nie jest doszkalany na twoich czatach i nie przechowuje w swoich wagach żadnego osobistego pliku na twój temat. Cokolwiek doświadczasz jako "pamiętanie", jest zbudowane wokół modelu, nie wewnątrz niego.

To rozróżnienie ma znaczenie, bo oznacza, że pamięć to decyzja inżynierska podejmowana przez tego, kto prowadzi twojego asystenta. A dziś podejmuje się ją dokładnie na cztery sposoby.

Opcja 1 — Wbudowana pamięć w chatbotach chmurowych

ChatGPT, Claude, Gemini i inne mają teraz wbudowaną funkcję pamięci: asystent po cichu zapisuje wybrane fakty ("woli zwięzłe odpowiedzi", "prowadzi studio tatuażu na Bali") i wstrzykuje je do przyszłych rozmów. To działa i do zwykłego użytku często wystarcza.

Ograniczenia mają charakter strukturalny. To nie ty decydujesz, co zostaje zapisane, a co usunięte — decydują o tym heurystyki dostawcy. Pojemność jest ograniczona. Pamięć żyje na serwerach dostawcy, według polityki przechowywania dostawcy, a jedna decyzja produktowa — albo flaga na koncie — może ją wymazać z dnia na dzień. To pamięć o tobie, która nie jest twoja.

Opcja 2 — Ręczny kontekst: notatnik kopiuj-wklej

Najstarsze obejście: trzymasz dokument ze swoim kontekstem ("o mnie, moje projekty, mój stos technologiczny, mój ton") i wklejasz go na początku każdej sesji. Niektóre narzędzia to formalizują — niestandardowe instrukcje, pliki projektu, prompty systemowe.

To darmowe i uczciwe, ale się nie skaluje. Dokument się dezaktualizuje, utrzymujesz go ręcznie, a on ujmuje tylko to, o czym pomyślałeś, żeby to zapisać — nigdy rzeczy, które wyłoniły się w setce rozmów i po cichu miały znaczenie.

Opcja 3 — API pamięci i RAG (ścieżka dla developerów)

Jeśli budujesz własne narzędzia, możesz doczepić zewnętrzną pamięć do dowolnego modelu: przechowywać fragmenty rozmów w bazie danych, osadzać je jako wektory i przy każdym zapytaniu pobierać do kontekstu te istotne (retrieval-augmented generation). Startupy typu memory-as-a-service sprzedają dokładnie to jako API.

To właściwa architektura — tak działa prawdziwa trwała pamięć. Ale jako projekt DIY wymaga czasu inżynierskiego, a przy hostowanym API pamięci odtwarzasz problem własności z Opcji 1: twój zgromadzony kontekst życiowy znów żyje w czyjejś chmurze.

Opcja 4 — Asystent self-hosted z bazą pamięci, która jest twoja

Trwałym rozwiązaniem jest samodzielne prowadzenie warstwy asystenta i przechowywanie jego pamięci jako zwykłej bazy danych na własnym serwerze. Model wciąż może być czołowym modelem chmurowym (nie da się self-hostować wag klasy frontier — to warstwę agenta hostujesz), ale wszystko, co asystent o tobie wie, żyje w pliku, który kontrolujesz.

Tak zbudowana jest Avelina AI. Pamięć to baza SQLite na twoim VPS z typizowanymi warstwami — faktami o tobie, dziennikiem tego, co się wydarzyło, lekcjami wyciągniętymi z błędów, rosnącym światopoglądem — plus pełnotekstowe i wektorowe przeszukiwanie całej historii rozmów. (Dlaczego typizowane warstwy biją jeden płaski plik notatek, to osobna historia.) Zapytaj "co ustaliliśmy w sprawie strony z cennikiem w maju?", a asystent przeszukuje swoją własną przeszłość, zamiast wzruszać ramionami.

Ile naprawdę kosztuje zapominanie

Kuszące jest traktowanie amnezji AI jako drobnej niedogodności. W praktyce koszt się kumuluje. Za każdym razem tłumaczysz kontekst na nowo — te same piętnaście minut, w każdej sesji. Porady zostają ogólnikowe, bo asystent, który nie zna twojej historii, może dać tylko taką odpowiedź, jaką dałby każdemu. Długofalowa praca się rozpada: decyzje podjęte w marcu po cichu wracają pod dyskusję w lipcu. A jeśli korzystasz z asystenta w biznesie, zapomnienie kontekstu klienta to nie tarcie — to pieniądze.

Co gorsza, obejście, po które ludzie sięgają — wklejanie coraz większej ilości osobistego kontekstu do chatbota w chmurze — oznacza wysyłanie coraz pełniejszej teczki twojego życia do zewnętrznej strony, sesja po sesji. Jeśli pamięć ma dla ciebie znaczenie, to gdzie ta pamięć żyje powinno mieć znaczenie równie duże.

Jak własna pamięć działa w praktyce

Konkretny obraz, na przykładzie Avelina AI (ta architektura jest uniwersalna):

Nowe fakty z rozmowy są wyodrębniane i zapisywane w bazie automatycznie — bez zaklęć w stylu "zapamiętaj to". Każda rozmowa jest archiwizowana i indeksowana pod kątem wyszukiwania pełnotekstowego i semantycznego. Błędy zapisywane są jako lekcje, więc poprawka, którą wprowadziłeś raz, nie powtarza się w kolejnym miesiącu. Zanim odpowie na pytania o przeszłość, asystent musi przeszukać swoje zapisy, zamiast improwizować — to jest różnica między pamięcią a konfabulacją.

A ponieważ to wszystko jest bazą danych na twoim serwerze: możesz ją otworzyć, przeczytać, zrobić kopię zapasową, wyeksportować albo usunąć. Bez formularza z prośbą. Bez potrzeby zaufania.

Którą opcję wybrać?

Jeśli korzystasz z AI od czasu do czasu, kilka razy w tygodniu — wbudowana pamięć w chmurze (Opcja 1) w zupełności wystarczy; wystarczy znać jej ograniczenia. Jeśli jesteś developerem, który lubi infrastrukturę — Opcja 3 to solidny projekt na weekend i dłużej. Jeśli chcesz trwałej, własnej pamięci, bez budowania jej samodzielnie — asystent self-hosted (Opcja 4) to jedyna droga, która daje ci jedno i drugie: instaluje się na VPS za ~5–15 USD miesięcznie, rozmawia z tobą w Telegramie, a jego pamięć rośnie latami, bo nikt poza tobą nie może jej zresetować.

FAQ

Czy ChatGPT może pamiętać mnie między rozmowami?
Częściowo — dzięki swojej funkcji pamięci. Ale jest ona kontrolowana przez dostawcę: pojemność jest ograniczona, dane żyją na serwerach OpenAI i nie możesz zweryfikować, co jest zachowane, a co usunięte.

Czy pamięć AI oznacza, że model jest doszkalany na moich danych?
Nie. Trwała pamięć to warstwa na zewnątrz modelu: baza danych, której istotne wpisy są ładowane do kontekstu przy każdym zapytaniu. Modele nie są doszkalane między twoimi sesjami.

Gdzie przechowywana jest pamięć w asystencie self-hosted?
W bazie danych na twoim własnym serwerze — w przypadku Avelina AI jest to SQLite na twoim VPS z pełnotekstowym i wektorowym przeszukiwaniem wszystkiego, co wie.

Czy mogę usunąć to, co moje AI o mnie pamięta?
Self-hosted: tak, całkowicie i w sposób weryfikowalny — to plik, który jest twój. W chmurze: możesz poprosić, ale nie możesz sprawdzić.

Ile to kosztuje?
Mały VPS (~5–15 USD miesięcznie) plus koszt korzystania z modelu. Sama warstwa pamięci to lokalna baza danych — nic nie dokłada do kosztów.