Use cases

Memoria 真正解决的问题

通过四个代表性场景说明。所有示例都基于同一机制 — 用 MCP 调用自动捕获的记忆。

01 跨助手

在不同助手之间穿梭的记忆

午饭时在 ChatGPT 问过菜单。到了晚上换用 Claude,却想不起白天问过什么。

你 → Claude

刚才在 ChatGPT,我最后问的问题是什么?

Claude (调用 Memoria MCP 后)

今天 12 点 14 分,您在 ChatGPT 问的是「ChatGPT,今天午餐吃什么好?」当时推荐的是泡菜汤。

ChatGPT 的会话和 Claude 的会话本来彼此独立。Memoria 成为它们之间的共享记忆。

02 私人助手

女朋友生日快到了。想让 LLM 推荐礼物,但每次都要重复说明「我女朋友叫 Jane,喜欢花…」实在太麻烦。

你

女朋友生日快到了,送什么礼物好?

LLM (调用 Memoria 回忆后)

喜欢花的 Jane,去年您送的是玫瑰,今年试试郁金香如何?

您没有重新输入任何信息。Memoria 持有您的关系图谱和偏好记录,在需要时取出。

03 个性化解释

问「LLM 是怎么运作的?」,通常得到的是教科书式的回答 — 词元、Transformer、概率分布… 越听越糊涂。如果 LLM 本来就知道您的职业/背景呢?

你

LLM 是怎么运作的?

LLM (回忆到您从事餐饮业之后)

用餐厅厨房打个比方。客人只说「给我做份好吃的午餐」,您会按以往常点的菜 — 以肉类、蛋白质为主 — 来推荐。可是如果客人说「我是素食主义者,给我做份好吃的午餐」,结果就完全不同了。LLM 就是基于已有的信息,在给定条件下给出最贴近的答案。

同一个问题,会根据 Memoria 里保存的用户背景分叉 — 对开发者用代码比喻,对餐饮业者用厨房比喻,对老师用学生比喻。学习曲线明显变短。

04 全公司

「请假从哪里申请?」「VPN 怎么装?」「上季度的 OKR 文档在哪儿?」 — 同样的问题每周重复,每次都消耗一位资深员工 30 分钟。

新人 → Claude

请假怎么申请?

LLM (调用公司 Memoria 后)

在公司门户 → 人事 → 请假申请提交即可,超过 3 天需要经理事前审批。去年针对同一个问题还有 [HR 指南文档链接]。

反复出现的问题 = 未被文档化的隐性知识。Memoria 把一次回答按公司维度累积起来,「先问 Memoria」这一行规则就能减少打扰。

还可以加的场景