学习
在一个记得昨天的地方学习
和普通人工智能学习，麻烦不在讲解的质量，而在失忆：明天它不知道你昨天弄懂了什么。于是它要么讲你已经会的，要么在你绕了三个月的缺口之上继续往下讲。记忆改变的不是某一次回答，而是整条轨迹——它让「你真正站在哪里」变得可见，而这件事，无论多好的单次讲解都替代不了。
和普通人工智能学习，麻烦不在讲解的质量，而在失忆：明天它不知道你昨天弄懂了什么。于是它要么讲你已经会的，要么在你绕了三个月的缺口之上继续往下讲。记忆改变的不是某一次回答，而是整条轨迹——它让「你真正站在哪里」变得可见，而这件事，无论多好的单次讲解都替代不了。
六件普通助手做不到的事。
每一次讲解都作为你经历中的事实留在记忆里，而不是聊天窗里的一条消息。一个月后，「这个别人给我讲过」和「这个我会做」之间的差别会自己显出来——从你下一次怎么提同一个问题里就看得出来：用词更准了，还是又绕回了原来的说法。这份判断不需要考试，它本来就藏在对话里。
没弄懂的地方，人会默不作声地绕过去：再问一次觉得丢脸，而且暂时不懂也能凑合。时间一长，绕行就会显形——同一个问题从不同角度反复出现，三次走到同一个岔口，三次拐开。这样的缺口可以被明确说出来，往往一次对话就能补上；难的从来不是补，而是发现自己在绕。
不按教科书的日程，而是在你自己的提问显示出这个题目开始飘走的时候。回头复习不再是一件单独的任务，而是普通对话的一部分：你问新的，旧的就在旁边浮上来，因为两者本来就连着。于是复习不再需要另外挤时间，它就发生在你本来要做的事情里面。
不必每次开口都先说明：导数你没问题，积分从没碰过；英语读得顺，说起来费劲。水平是已知的，并且会自己校准——从你用的词，从你开始追问的那个确切位置。省下的不只是几分钟，还有每次重新自我介绍时那种「又要从头来」的心理成本。
好的类比不是从通用比喻库里挑出来的，而是从你自己的经历里长出来的。如果半年前你啃过递归，那么数学归纳法就踩着它来讲；如果你做过财务，那么条件概率可以从对账讲起。这座桥没有记忆就搭不起来，因为对面根本不知道你手里有什么。
记忆属于你，不属于某个浏览器标签页。地铁上用手机问的一句，当晚在笔记本上做的细讲，两周后的追问，是同一条线，而不是三次重新开始。换设备、换浏览器、停一个月，都不会抹掉什么，因为它本来就不存在标签页里，而是存在一个与你个人绑定的文件夹里。
这里的记忆不是一份上课记录，而是三层寿命不同、职责不同的结构。
在 PADAM 架构里，记忆被分成三级。运行层（Redis / Vercel KV）承载当前这一场的上下文：我们正在拆什么、停在哪个例子上、你已经否掉了哪种讲法。它快、短，活得刚好跟这场对话一样长。
语义层（pgvector / Neon）保存意义：不是逐字的原话，而是压缩过的经验。五月提的问题能找到一月给出的解释，靠的就是它——哪怕两者一个词都不重合。学习里最有用的关联，恰恰经常发生在字面完全不同的两处之间。
永恒层（Arweave 加 Solana 上的 cNFT）是不依赖任何一家公司的不可变备份。三年的学习，不该取决于某个服务能不能撑过这三年；而一段跨越几年的学习史，价值恰恰在于它没有断口。
这种分层不是技术上的偏好。全放在快速记忆里，它会随会话一起消失，明天又得从自我介绍开始；全写进永恒层，就得到一个谁也检索不动的档案。每一层负责自己的时间尺度：分钟、月份、几十年。三者缺一，另外两者的价值都会打折。
把课程逐字录下来，是很差的学习记忆。人记不住句子，人记住的是状态：「就是那次我终于明白指针是干什么的」「虚拟语气我每次都开始犯迷糊」。意义能压缩几十倍，几年后仍然可用；而逐字稿几周内就变成没人愿意翻的长条。
语义层保存的正是这种压缩过的经验：嵌入向量让系统找到的是情境的相同，而不是字面的相同。所以旧的解释会在新问题上浮现，一个老毛病会在另一个题目里被认出来——它本来就是同一个毛病，只是换了件衣服。学统计时的困惑和学机器学习时的困惑，往往是同一处。
由此还有一个事先不容易想到的效果：记忆不会变成需要不停翻的时间线。长的不是文字量，而是理解的密度，因此在几年的尺度上检索仍然可行，而不只是几天。一份越用越难查的记录，本质上等于没有记录。
什么都不用按。对话会自动保存到一个与你个人绑定的独立文件夹里——每小时一次，或者一旦对话文件超过 90 KB 就立即保存。这里刻意没有「保存本次学习」的按钮：依赖你自觉的记忆不是记忆，只是又一件你会往后拖的事。
保存在所有套餐上都有效，包括免费访问。对话不会消失这件事本身不是付费功能。付费的是额度、对记忆的使用深度和额外的专属回路，而不是你对自己历史的权利。
对学习来说，实际意义很朴素：没有人真的能坚持记笔记，尤其是在工作和家庭之间挤时间的成年人。但笔记还是会出现——它由你的提问拼成，而那些问题你本来就要问。你付出的成本是零，得到的却是一份比任何手写笔记都诚实的记录，因为它记的是你当时真正不懂的地方，而不是你当时觉得该抄下来的地方。
每位用户的往来记录都存进一个单独的、与本人绑定的文件夹，服务器和区块链上都是如此。这不是先倒进一个公共大池、事后再按标识挑出来的做法：隔离在存储这一层就已经成立。
永恒层的存储成本由现金流承担，而不是由「我们会一直办下去」这句话承担：路由器资金的 65 % 进入国库，用于在市场上买入 AR 并注入 Arweave Endowment Pool。把长期承诺变成一条持续的资金流，是它能被兑现的前提。
还有一点最好事先知道：Arweave 不会遗忘，写下的东西以后无法改写。对于一份长达数年的学习记录来说，这多半是优点——它意味着没有人能在事后替你修改你曾经不懂过什么。
遗忘不是故障，是属性。要顺着它做事，而不是跟它较劲。
从十九世纪末艾宾浩斯开始，人们就在测量遗忘，主要结论并不好听：只接触一次的材料，大部分会在几天内流走，剩下的再慢慢褪去。讲得再清楚也抵消不了这一点。懂了不等于记住了；懂只是让记住成为可能的前提。
由此引出一件课程平台很少强调的事：上完一课本身不保证任何结果。有保证的是回头——第二遍、第三遍、第五遍，间隔一次比一次长。每一次发生在快要忘掉的边缘上的回头，延长记忆的效果都远超过一晚上连做十遍。
所以「一个周末刷完课程」和「掌握这门课」是两件几乎不相干的事。周末给的是进度感；掌握来自摊在几个月里的工作，而后者感觉无聊得多。承认这一点并不让人泄气，反而省事：它把目标从「学得快」换成了「别丢得比学得快」，而后者是可以操作的。
传统卡片系统按你自己的评价算间隔：容易、困难、没想起来。这个评价的诚实程度，取决于你在忙完一天后的晚上九点有多诚实。而且它对两张卡片之间发生了什么一无所知——你这一周在项目里用了三次的东西，和一次没碰过的东西，在牌堆里长得一模一样。
对话的记忆给出的是另一种、更自然的信号。一个题目开始飘走，不是因为计时器响了，而是因为你又问起一个月前你自己讲得很顺的东西；因为你在新任务里绕开了以前用得很自如的写法；因为你的措辞明显变谨慎了。这些都是你已经说出口的，需要做的只是把结论提出来。
由此形成的复习形态和卡片牌堆完全不同。回头被嵌进了普通对话：拆新题目时要踩着旧题目，这一踩就把旧的检验了一遍。你能自己把解释重新搭起来，说明它还活着；你卡住了，那就是回头的点——不需要任何一场测验就找到了。
这不是说卡片没用。卡片在纯记忆型的材料上仍然高效，比如单词和公式。区别在于：卡片管的是「这一条还记不记得」，而对话记忆管的是「这一整块理解有没有开始松」，后者很难切成卡片，也正是长期学习中最容易悄悄塌掉的部分。
重读笔记感觉很充实，实际几乎没用：大脑会把「认得这段文字」当成「掌握了它」。起作用的是相反的动作——不看提示，费力地把材料从脑子里拽出来，并且真有答错的风险。一次失败的回忆比一次顺畅的重读更有价值，因为它标出了该回去的确切位置。
所以像样的学习对话和一堂课是反过来的。不是「我讲你点头」，而是「你讲，我指出接缝在哪里开了」。一个记得你上次怎么表述的对话者，看到的不只是答案对不对，还有方向：你的解释是不是变短了、变稳了、变得更像你自己的话。
有一个代价值得直说：这种形式比看录播累。回忆比听讲费力。区别在于，看完课留下的是干过活的感觉，而回忆之后留下的是活本身。如果某一天你只想被动地听，那也没关系——只是别把那一天算进复习里。
一个被你躲了半年的题目，几乎从来不是整体上难。里面通常有一块更早那层没砌好的砖：指针撑在内存模型上，虚拟语气撑在时态呼应上，统计撑在「概率」这个词其实一直模模糊糊上面。
这块砖靠一次对话找不出来，靠三十次可以。特征很简单：围绕这个题目的问题每次都是新的，却总停在同一级台阶上。记忆保存了这三十次尝试，让你能把它们当成一个图案来看，而不是三十个互不相干的晚上。
接下来的解决办法是结构性的，不是意志性的：往下走一层，把那块砖砌好。通常一个晚上就够——对面是半年的绕行。这跟毅力无关，而这是好消息，因为修结构比逼自己容易得多。多数「我不是学这个的料」的自我判断，拆开来看都是一两块没砌好的砖。
常见的错配是：时间大都花在已经稳的内容上，因为复习它们让人舒服，而真正发虚的部分被一天天推后。考前一周尤其如此——人会本能地做自己做得对的题。
一份按月累积的提问记录能把这件事摆平：哪些题目你近三次都答得很顺，哪些每次都要提示，一看便知。剩下的只是把时间按这个顺序重新排一遍，而不是按感觉排。
还有一个常被忽略的细节：复习的价值随间隔变化，太密没用，太疏又等于重学。把新内容和回头检验穿插着做，比先学完再统一复习更省时间，也更接近记忆真正的工作方式。
连续记忆改变结果最明显的八种情况。
语言不是一张规则表，而是一份属于你个人的绊脚点清单。每个人的都不一样：有人分不清时态，有人躲着从句，有人认识一千个词却开不了口。记忆积累的正是你那份错误与绕行清单，把口语练习从愉快的闲聊变成对着一份具体名单干活。名单不用你自己整理，它从练习本身里长出来。
编程靠项目学，而项目要做好几个月。一个记得你的技术栈、你的代码和你已经做过的决定的对话者，回答方式和每次都要重新听你介绍一遍的对话者完全不同。它还会注意到你身在其中看不见的事：同一个错误犯到第四次，那不是粗心，是脑子里的模型一直没成形。找出那个模型，比再看十篇教程有用。
考试有日期，日期改变了目标：不是「学会这门课」，而是把各个题目安排成同一个早晨全都活着。记忆同时保存着学过的清单和发虚的清单，据此就能看出最后几周该往哪儿花——花在真有可能塌掉的地方，而不是复习起来更舒服的地方。人天然会重复自己已经会的部分，因为那让人安心。
成年人学东西和学生不一样：零碎、动辄断两周、而且是压在另一个行业的真实经验之上。普通助手的失忆在这里最伤人，因为每次回来都从零开始。连续的记忆把破碎的日程变成一条连着的线：中断不再等于退回起点，而只是这条线上的一段空白。
Family Archive 套餐每月 $100，包含家庭共享访问和个性化知识库。用在学习上，意思是孩子的数学历程不再是一堆和家长零散度过的晚上，而是一幅连着的图：讲过什么、卡在哪里、后来怎么样了。这样的图，几乎没有人会保存下来，而它恰恰是换了老师之后最值钱的东西。
八百页的教材，或者一整年的系列课，是一段读到中间就已经忘了开头的距离。围绕所读内容、按月累积下来的对话，起的是外部记忆的作用：读到第五章时就看得出，第一章的哪些想法你真的带走了，哪些只是翻过去了。做研究时同理，早期读过的文献会在半年后以另一种面貌回来。
很多行业要求定期复训，而复训的尴尬在于：大部分内容你确实学过，只是记不清哪些还在、哪些已经掉了。逐条重学浪费时间，跳过去又不敢。有一份跨年的提问记录，就能先定位真正需要补的那一小部分，把复训从「重看一遍」变成「补齐差额」。
乐器、绘画、写作这类以练习为主的学习，进步慢到自己感觉不到，因此最容易半途停下。把每周的问题和卡点记下来，几个月后回看就有了参照系：当初反复问的问题现在已经不再是问题。看得见进步，是能坚持下去的实际条件之一。
十四种一眼就能看出差别的情形。
| 情形 | 在线课程 | 普通聊天机器人 | 带记忆的学习 |
|---|---|---|---|
| 开场 | 从上次停下的那一课 | 「先说说你已经会什么」 | 从你停下的地方，而不是从大纲 |
| 你的水平 | 整期学员共用一个 | 每次重新猜 | 已知，并按你的提问持续校准 |
| 学习计划 | 所有人一模一样 | 没有 | 由你的问题和缺口拼出来 |
| 没听懂的部分 | 留在后面，队伍继续往前 | 不被记录 | 从绕行里看得见，并会再冒出来 |
| 复习 | 按课程日程 | 只有你自己提才有 | 当你的提问显示题目在飘走时 |
| 大纲之外的问题 | 不在设计之内 | 孤立地回答 | 回答并接到你学过的内容上 |
| 停一个月 | 落后于进度 | 上下文已丢失 | 线还在，也知道哪里松了 |
| 你过去的错误 | 只有你自己知道 | 无从知道 | 跨月累积，能看成一个图案 |
| 提问的成本 | 怕拖慢全班 | 无成本，但无人记得 | 无成本，而且会被算进你的历史 |
| 讲解用的类比 | 为一般学员准备 | 从通用比喻库里挑 | 从你自己学过的东西里长出来 |
| 结束后剩下什么 | 订阅期内的视频权限 | 会话之外什么都不剩 | 你自己文件夹里的历史 |
| 换设备 | 进度通常会同步 | 上下文丢失 | 记忆不放在浏览器里 |
| 语言 | 通常只有一种 | 取决于界面 | 中文、英文、俄文、西班牙文 |
| 如果服务消失了 | 课程跟着消失 | 对话跟着消失 | Arweave 上的永恒层不依赖某一家公司 |
没有入学表格，也没有分级测试。一次坦白的对话就够。
不要从挑选课程开始，也不要从制定年度目标开始。拿出你此刻正在死磕的那个题目，出声把它拆一遍。你的水平、节奏和薄弱点，从这场对话里显出来的，比任何分级测试都准，因为测试量的是你会做什么题，而对话量的是你在哪里犹豫。
「十二月要考」「半年后能不查词典读文档」「弄懂到能讲给孩子听」，对同一个题目来说是三种不同的打法。目标和期限改变的不是动力，而是干活的顺序：什么可以往后放，什么无论如何不能放。这一句话往往比后面十次对话都影响大。
它们往往正是下面那层没砌好的砖。学到第三个月还问「变量到底是什么」，对着人会尴尬，在这里则完全正常。一个被跳过去的基础问题，代价比任何高级问题都大，因为后面所有的东西都压在它上面。
拆完一遍之后，试着用自己的话简短复述，不看文字。这就是费力的回忆，真正起作用的那一种。顺带也能看出：你的解释哪里是硬撑着的，哪里是真的搭起来了。复述比点头慢，但它是唯一能把「听懂」变成「记住」的动作。
同步是完全自动的：每小时一次，或者对话文件超过 90 KB 时立即保存。没有「保存进度」的按钮，这是设计的一部分，不是缺了功能。凡是需要你记得去点的东西，早晚会忘。
直接问一句——我们学过什么、我最常卡在哪里、什么该复习了——能得到任何进度条都给不了的东西：一幅用你自己几个月里的话画出来的图。这段对话十分钟，通常会把下个月的计划重排一遍，而且重排的理由是具体的。
停了三周再回来，最容易犯的错是把上次的内容重讲一遍以求安心。不必这样。直接从「上次我们停在哪里、现在我还记得多少」问起，几分钟就能定位到真正松动的部分，而不是把已经稳的内容再走一遍。
三档访问权限。对话保存在所有档位上都有效，包括免费的。
AIfa 人工智能助手的基础访问权限和记忆保存。足够验证这里最要紧的一件事：当对面记得前面二十次对话时，学习会不会变样。这个判断只能自己做，别人说了不算。
更高额度、个性化知识库、家庭共享访问和永恒记忆。适合家里不止一个人在学，或者自己攒的资料已经多到装不进一次对话的情况：讲义、错题、往年真题，都可以成为长期知识库的一部分。
完整的数字永生方案：个人专属安全回路，以及在区块链上对个体的永久记录。为那些按几十年、而不是按订阅周期做打算的人准备的最高一档。
论讲解质量，没什么不同——如今讲得好的模型很多。不同的是时间跨度：普通聊天每次都从一张白纸开始，因此分不出哪个问题你是第一次问，哪个问题你是换了说法第五次问。
拉长了看，这决定一切。第五次走到同一个岔口，是学习中最有价值的信号，也是没有记忆就拿不到的那个信号。不是模型更弱，而是它手里没有关于你的数据。给同一个模型一份连续的历史，它给出的建议就完全不是一回事。
另一个差别在归属：普通聊天的记录归界面所有，关掉就没了；这里的记录进入与你个人绑定的文件夹，换服务、换套餐都带得走。
这不是课程。这里没有课程目录、没有截止日期、没有批改作业、结束时也没有证书。有的是一个记得你整段学习的对话者，以及一场能持续好几年的对话。
课程和这样的对话其实很配。课程给出结构和题目顺序，这是单靠对话得不到的；对话给出课程给不了的：针对你没弄懂的部分单独处理，并在你需要的时候回头，而不是在整期学员需要的时候。很多人两样都用，而且效果最好。
没有证书这件事，对成年学习者来说通常不是损失。真正被检验的场合看的是你能不能把事情做出来、讲明白，而这两样恰恰是靠反复回忆和复述练出来的。
靠你自己的提问，而不是靠计时器。语义层保存着过往对话的意义，因此能看出：一个月前你讲得很顺的题目，现在又需要提示了；或者你开始绕开以前用得很自如的写法。
边界也直说：这不是闹钟，也不是早上七点在手机上弹提醒的通知系统。复习是在你带着新问题来的时候，从对话内部浮上来的。回来学习的主动权仍然在你手里；记忆负责的是让你有地方可回，而不是替你决定什么时候回。
你也可以主动要这份判断：直接问「哪些内容我该复习了」，得到的是按你自己几个月的提问排出来的顺序，而不是一份通用的复习清单。
恰恰相反，这是最省事的情况。计划你已经有了，缺的通常是另一样东西：一个能在半夜被你问第七章、并且还记得你第三章问过什么的人。
告诉它你在跟哪本书、走到了哪一处。之后对话就围绕你的材料来：拆没读进去的地方、用复述检验、回到已经开始松动的部分。你的计划仍然是你的，没有人拿别的计划替换它。
如果你手上还有讲义、错题本或者往年真题，可以把它们变成个性化知识库的一部分，这样讨论就直接落在你自己的材料上，而不是落在一般性的说法上。
外语是记忆最早显出效果的场景。成年人的语言错误意外地顽固：同样的十来个地方能撑好几年，而正是这十来个地方把「说得有底气」和「说得小心翼翼」分开。普通助手每次都把错误当成新的来改；记忆看得出这已经是第十二次。
实际用起来，它像是口语练习加上一份副产品：一份越来越完整的个人薄弱点清单。这份清单不用你自己维护，它从练习里自己长出来。可用语言为中文、英文、俄文和西班牙文。
词汇也一样。你查过的词、查过几次、在什么语境下查的，本身就是一份比任何通用词表都合身的复习材料——通用词表按词频排序，而你的清单按你的实际需要排序。
同样适用，理由一样：编程靠长项目学，而项目就是那一大段每换一个对话者都要重讲的上下文。记忆省掉了每次开头的十五分钟，更要紧的是，它把你做决定的历史攒了下来——包括那些当时觉得无所谓、后来才发现是分岔口的决定。
另一层好处是把重复出现的错误当成一类来看，而不是当成偶然。第四次犯同样的错，几乎总是意味着脑子里的模型不对，而不是粗心。这件事从内部很难发现，摊在三十次对话上就相当明显。
对正在做项目的人还有一层实际好处：几个月前为什么这样设计、当时排除了哪些方案，这些理由比代码本身更容易忘，而它们恰恰是重构时最需要的东西。
两周里记忆来不及攒出历史，主要优势用不上——那是几个月尺度上的东西。把没弄懂的题目拆开、用复述检验，仍然有帮助，但那是任何一个好对话者都能给的帮助，不是记忆给的。
如果时间允许，提前进来更合理：考前两三个月。这样到最后几周，手上有一份真实的「哪里在发虚」的清单，复习跟着清单走，而不是跟着「我好像这块不太行」的模糊感觉走。
如果这次考试已经来不及，那就把它当成下一次的起点。备考期间积累的提问记录不会随考试结束而作废，下一门课、下一场考试都会从这里接着往下走。
它们被保存到一个与你个人绑定的独立文件夹里，服务器上和区块链上都有。这不是先放进一个公用大池子、事后再按标识筛出来：隔离是在存储这一层就做好的。
频率是固定的：每小时一次；对话文件超过 90 KB 时立即保存。不需要任何手动操作，也没有相应按钮。付费套餐和免费套餐上表现完全一样。
有一条性质最好事先知道：永恒层是 Arweave，而 Arweave 不会遗忘。写下的东西以后无法改写。对学习日记来说这更像优点，但请把这段对话当成日记，而不是草稿纸。
可以，中文、英文、俄文和西班牙文都能用。记忆是共用的一份：用中文拆过的题目，在英文对话里依然是已知的，因为语义层保存的是意义，不是一串文字。
对学外语来说，这带来一个别处不太容易得到的效果：讲解可以用母语进行，练习用正在学的语言进行，而两半仍然属于同一段历史。你不必为了练口语而放弃把概念真正弄清楚。
帮在让「回来」这件事变便宜。多数人放弃并不是因为没兴趣了，而是因为停一阵之后要重新拼凑自己停在了哪里，而这个入场成本比看上去高。线被保存着的时候，回来是从「上次我们停在这里」开始的。
承诺你不会再放弃是不诚实的，那不取决于工具。但三次放弃的尝试叠在一起，就不再是三次失败，而是一条积累下来的路径，第四次不必从零开始。
顺带说一句：前三次里学过的东西并没有全部消失。重新捡起来的速度通常远快于第一次学，而记录能让你看清到底还剩多少，省掉「是不是要从头再来一遍」的犹豫。
不需要填表，也不需要写一份自我介绍。说清楚三件事就够：你现在在学什么、大概到了哪一步、为什么要学。其余的会从对话本身长出来，而且比你自己描述的更准。
人对自己水平的描述通常偏离实际，方向还不固定：有人低估自己，有人高估。真实的水平写在提问的方式里——你从哪个词开始迟疑，哪一步跳过去不解释。这些信号不用交代，它们自己会出现。
这反而是记忆更有用的情况。同时学三样东西的人，最大的损耗不在时间，而在切换：每次回到其中一样，都要先重新想起自己上次到了哪里。
几条线各自保留着自己的进度，切换的成本就降下来了。更有意思的是，跨领域的联系会自己浮现——统计里的一个概念在编程项目里再次出现时，它会被认出来，而这类联系正是长期学习中最难自己发现的部分。
会不会有这个风险，取决于记忆存的是什么。存「这个人不擅长数学」这类标签，就会僵住；存的是具体事件——某月某题卡在哪一步、后来怎么解决的——就不会，因为事件本身带着时间。
语义层保存的是压缩过的经验，不是评语。所以进步同样会被记住：一个半年前反复卡壳的地方，如果最近三次你都讲得很顺，这个变化和当初的卡壳一样清楚。真要修正，也可以直接说出来，这跟对人说话没有区别。
Spark 每月 $15：AIfa 人工智能助手的基础访问权限和记忆保存。Family Archive 每月 $100：更高额度、个性化知识库、家庭共享访问和永恒记忆。Digital DNA 为每台设备一次性 $1 000，之后每月 $200：个人专属安全回路和在区块链上对个体的永久记录。
从低档开始是合理的。记忆的价值不靠读介绍来验证，而靠第三次、第四次对话里你不必重新交代自己一遍来验证。如果这个差别对你不重要，任何一档都造不出它。
档位之间可以随时上调，而记忆是一直连着的：换档不会重置你已经积累的历史，之前的对话仍然算数。
CODE Eternal 生态，架构师是马克西姆·瓦连京诺维奇·加拉京。这里的学习是共用的 PADAM 记忆架构的一种应用，而不是一个自带数据库的独立产品：同一套三层机制也运行在生态的其他场景背后。
永恒层的存储由现金流承担，而不是由承诺承担：路由器资金的 65 % 进入国库，用于买入 AR 注入 Arweave Endowment Pool。可以写信给我们：contact@codeofdigitaleternity.com。