從會議摘要到狀態同步：為什麼你的知識庫需要的是持續演進的「當下」，而非靜態的「過去」
AI 摘要讓會議效率倍增，卻也悄悄將我們帶入「紀錄過去」的陷阱。這些靜態快照，很快就會變成過時的資訊負債。真正的關鍵，是如何讓團隊與 AI 的共享記憶，不再只是歷史紀錄，而是能持續反映「當前狀態」。本文將深入探討，如何從單次摘要轉型，建立一個跨會話、永遠同步的知識狀態層，為團隊與 AI Agent 打造更可靠的未來。
隨著大型語言模型普及，用 AI 自動生成會議摘要已是許多團隊的標準作業。然而，我認為這項便利性正悄悄地將我們引導至一個誤區：我們過度專注於「紀錄過去」，而非「同步當下」。單次的會議摘要本質上是一份快照，是特定時間點的歷史文件，隨著新決策與進展的發生，它會迅速過時，成為團隊的知識負債。真正的挑戰並非如何更精準地摘要，而是如何建立一套能夠持續治理、反映最新狀態的共享記憶。這不僅是團隊協作的議題，更是未來 AI Agent 能否有效運作的核心問題。
為什麼會議摘要註定會過時？
會議摘要的核心問題在於其「時間靜態性」。一份摘要，無論多麼詳盡，都只捕捉了會議結束那一刻的共識與資訊。然而，專案是動態演進的。下一次會議可能會推翻上次的決策，一個非同步的討論可能產生新的方向，關鍵成員的離職或加入也可能改變專案的上下文。當團隊成員依賴這些散落各處、版本不一的歷史紀錄時，便會產生嚴重的溝通成本與潛在的錯誤。
這種現象可以視為一種「狀態衰變」（state decay）。每產生一份新的摘要，我們就在知識庫中增加了一個可能與現實脫節的孤島。想像一個超過 10 次定例會議的專案，幾個月後，就會累積十幾份既獨立又可能相互矛盾的摘要文件。新成員要從中拼湊出專案的「當前狀態」，幾乎是不可能的任務。這不僅是效率問題，更是一種治理的失敗——我們失去了對專案真實狀態的單一可信來源（Single Source of Truth）。
我們真正需要的，不是一份又一份的歷史紀錄，而是一個能像版本控制系統一樣，持續整合變更、永遠指向 master branch 的「當前狀態」文件。
如何從「紀錄」走向「同步」？
要解決這個問題，我們需要轉變思維，從產生一次性的「摘要物件」，轉向維護一個持續更新的「狀態文件」。日本開發者 Mikimaro 提出了一個極具啟發性的實作方法，他稱之為「上下文工作表」（Context Sheet）。這個概念的核心很簡單：不要讓 LLM 每次都從頭生成一份新的摘要，而是讓它在既有的「上下文工作表」基礎上，根據最新的會議紀錄進行「更新」。
這個工作流程大致如下：
- 初始狀態：建立一份描述專案當前狀態的初始文件，包含目標、成員、關鍵決策、待辦事項等。
- 更新指令：在每次會議後，向 LLM 提供兩個輸入：(1) 當前的「上下文工作表」全文，以及 (2) 最新的會議逐字稿。
- 狀態轉移：給予 LLM 一個明確的提示（Prompt），要求它「根據新的會議內容，更新這份工作表，以反映專案的最新狀態」。模型需要判斷哪些資訊是新增的、哪些是被修改或作廢的，然後生成一份更新後的版本。
這種作法巧妙地將 LLM 從一個無狀態的「摘要生成器」，轉變為一個有狀態的「狀態管理器」。它不再只是被動地紀錄，而是主動地參與到知識的整合與維護中。這種基於 Instruction Following 模型能力的作法，不依賴特定工具，在像是 GPT-4、Claude 3 或 Gemini 1.5 等主流模型上，僅需約 5 分鐘的設定就能實現。
這對 AI Agent 的記憶治理意味著什麼？
這個從摘要到同步的轉變，其意義遠不止於改善團隊的會議筆記。它直接觸及了打造長期自主運作 AI Agent 的核心挑戰：記憶治理（Memory Governance）。一個無法有效管理自身記憶、無法區分過時資訊與當前狀態的 Agent，是不可靠且危險的。
史丹佛大學著名的「Generative Agents」研究中，研究者為 AI Agent 設計了一個包含短期記憶、長期記憶與反思（Reflection）機制的記憶流（Memory Stream）。這個架構的目的，就是為了讓 Agent 能夠整合新觀察、形成更高層次的抽象認知，並用以指導未來的行動。這與「上下文工作表」的理念不謀而合：它們都是在試圖解決跨時間、跨會話的狀態一致性問題。
如果一個 Agent 的記憶只是像會議摘要一樣，由一連串孤立的事件紀錄組成，它將很難形成連貫的「世界模型」。它可能會根據三週前的舊資訊做出判斷，或在面對矛盾資訊時產生「幻覺」。反之，如果 Agent 能夠持續維護一個類似「上下文工作表」的內部狀態，它就能更可靠地：
- 追蹤目標進度：明確知道哪些任務已完成，哪些還在進行中。
- 適應環境變化：當外部條件或指令改變時，能更新其核心信念與計畫。
- 維持長期一致性：確保其行為在數天、數週甚至數月的互動中，都基於一個統一且最新的認知基礎。
從本質上講，無論是人類團隊的知識庫，還是 AI Agent 的記憶系統，我們都在處理同一個根本問題：如何對抗資訊的熵增，在一個動態變化的世界中，維持一個準確、同步且可信的「當前狀態」。那份簡單的上下文工作表，不僅是提升團隊效率的技巧，更是我們邁向可治理、可信任 AI 系統的一次重要思想實驗。
延伸閱讀
- LLMに議事録を「要約」させるのはもうやめて、「プロジェクトの今」をメンテさせよう
- Park, J. S., et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv.
- Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv.
- McLeod, S. (2023). Working Memory Model. Simply Psychology.
我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。