ChatGPT 的记忆和新控制
OpenAI 为 ChatGPT 推出的新“记忆”功能，允许模型在不同聊天之间记住用户偏好和上下文，被一些人视为久违的可用性提升，也被另一些人视为潜在的锁定机制与隐私风险。评论者分成两派：一派是希望会话保持干净、无状态以确保安全和可靠性的“事务型”用户；另一派是基于关系或项目使用，希望持久上下文能省去反复解释。很多人还质疑该功能的技术实现方式、它与近期 GPT‑4 变体中更“懒惰”的编码行为如何相互影响，以及为什么更好的搜索、更大的上下文窗口和更健壮的 UI 等核心需求没有被优先考虑。
使用模式与记忆的价值
- 许多人区分“事务型”使用（每次聊天都是一次全新的查询，像搜索一样）和“关系/主题型”使用（持续进行的项目或准伴侣）。
- 事务型用户通常更喜欢干净的起点，以获得安全性、可预测性和可调试性；他们担心记忆会引入隐藏状态和奇怪的行为。
- 关系/主题型用户希望为项目、偏好和重复出现的主题保留持久上下文（例如编码风格、使用的设备、课程规划习惯）。
对范围限定 / 结构化记忆的需求
- 一些人希望记忆按主题、项目或“文件夹”进行范围限定，而不是混在整个账户中。
- 有人要求树状/线程式对话、上下文层级（工作 vs 个人），以及可复用的过去聊天“起始框架”。
- 还有人设想“宏”或个人资料系统：为博客、技术研究等使用不同的基础提示/语气。
实现细节与技术猜测
- 许多人假设采用类似 RAG 的方法：将简短“记忆”单独存储，在相关时检索并注入到提示中。
- 一段提示泄露显示有一个
bio工具用于持久化用户信息；记忆似乎是附加到系统上下文中的简短文本块。 - 对这是否只是改良版自定义指令，还是某种更动态的机制，存在争论；共识是：这是渐进式改进，但在实践中很有用，并不算革命性。
隐私、信任与锁定
- 持久记忆增加了人们对数据保留、训练用途以及对 OpenAI 政策可验证性的担忧。
- 一些人认为这是一种锁定/“黏性”机制，会提高相较竞争对手的切换成本。
- 还有人更偏好本地 LLM，以获得隐私、控制权，并避免安全过滤。
模型行为与“懒惰”
- 有一条强烈讨论线指出 GPT‑4 Turbo 在编码方面变得“懒惰”：只给出部分实现、用注释代替完整代码、忽略明确指令。
- 基准测试和轶事表明，这在最近几次更新后变得更糟；有人认为这与成本驱动或提示驱动有关，而不只是安全问题。
- 提到的变通方法包括：统一 diff、强调专家对专家语气的 system prompts、谨慎提示，或切换到其他模型/本地模型。
UX、界面与缺失的基础功能
- 有人抱怨 ChatGPT 的网页 UI 速度慢、容易出错，而且缺少像跨聊天全局搜索这样的关键功能。
- 一些人宁愿放弃新的“记忆”和个性化功能，也希望优先改进核心需求：可靠性、更大的有效上下文，以及更好地遵循指令。