如果你也曾因答非所問的狀況對 AI 聊天機器人發脾氣，那你的憤怒現在可能很值錢。
美國 AI 記憶新創 Memvid 近期開出了一項奇特的職缺：專業的 AI 霸凌者（Professional AI Bully）。獲聘者需要在鏡頭前與多款 AI 機器人互動，反覆要求它們回憶先前對話內容，並記錄 AI 出現的各種失誤，包括忘記上下文、邏輯錯亂，甚至是鬼打牆的重複回應。這份可以盡情發脾氣的工作，所提供的日薪為 800 美元（約新台幣 2.5 萬元）。
這場看似離奇的行銷活動，卻精準指出了生成式 AI 發展中的一個核心難題：記憶能力。根據2025年國際學習表徵會議（ICLR）發表一篇名為《LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory》的研究指出，當 AI 需要在持續、長期的對話中記住資訊並回答問題時，其準確度相比在「短期對話」降低約 30%，隨著對話次數增加，更會產生明顯遺忘或混淆。
為了解決 AI 的失憶症，Memvid 做出了一種全新的檔案格式來解決這個問題。
從「會回答」到「記得住」
Memvid 開發的是一套可攜式的 AI 記憶技術，試圖用「單一檔案」取代傳統 RAG 架構與向量資料庫。透過這種方式，AI 不再只能依賴當下對話內容回答問題，而是能在長期互動中保留脈絡、快速檢索資訊，讓 AI Agent 這類需要持續運作與決策的系統，真正具備「記得住」的能力。
Memvid 早期驗證概念的方法和這則「徵才廣告」一樣酷。
他們將資料文件轉換為 QR code 的影片影格，利用 LLM 檢索並解釋儲存的知識，這就像是用影片幫 AI 拉出了大腦與長期記憶之間的橋樑。這項實驗性的開源專案，除了讓他們曾連續霸佔開源社群 Github 熱門排行的第一名，更吸引上千名開發者複製專案、進行延伸開發。
但真正讓 Memvid 打入開發者與企業市場的，是一種名為「.mv2（Capsule Context）」的單一檔案格式。
在傳統 AI 應用中，如果要讓模型「記得東西」，開發團隊通常得另外建立一整套的記憶系統，包含向量資料庫、索引服務、嵌入模型、檢索流程與伺服器，這也是目前許多 RAG（檢索增強生成） 架構最常見的做法。
這類系統雖然功能完整，但也往往意味著更高的建置成本、更重的維運負擔，以及更多的工程複雜度。
Memvid 的做法則相對激進：它試圖把原本分散在多個系統中的記憶元件，全部封裝進一個檔案裡。這也意味著，AI 的「記憶層」不再需要綁定一整套雲端基礎設施，而是可以像攜帶一個單一的 pdf 文件一樣容易被儲存、移動與分享，也可以離線使用。
雖然 Memvid 已不再使用早期「影片承載資料」的方式，但現今產品仍保留了同樣的設計思路：用影片時間軸的概念來組織記憶。
在這套架構裡，記憶被拆解成一連串稱為智慧影格（Smart Frames）的單位，每個影格都帶有內容、時間戳記與校驗資訊，並以追加的方式持續寫入。這讓 AI 具備「時間推理」的能力，能像看電影一樣回溯過去的記憶狀態或檢視知識如何隨時間演變。
可溯源的設計，更能讓工程師在 AI Agent 出現異常狀態時，回頭檢查它在哪個時間點「記錯、誤解或走偏」，甚至從某個歷史狀態重新長出分支，像版本控制一樣展開記憶脈絡。
除了記得住，還能「更快、更準、更省」
AI 在擁有長期記憶之後，接著要提升的便是速度與精確度的部分。
因此，Memvid 採用混合搜尋（Hybrid Search）機制，結合關鍵字與語義向量搜尋，試圖補足純向量檢索有時「語意相近但關鍵字對不上」的問題，因此在涉及跨段資訊串接的跳躍式推理（multi-hop reasoning），以及需要辨識事件先後關係的時間推理（temporal reasoning） 場景中能真正「懂你在問什麼」。讓 AI 不只記得住，還能知道該怎麼用。
目前，Memvid 以這套記憶技術，發展出了兩條產品線。
一是面向企業與一般使用者的聊天機器人 Kora。Kora 除了能作為企業對內的知識庫、對外的客服機器人外，更因對答的準確性，及支援多樣化的部署與離線運作的能力，而逐漸開始累積醫療、法律及金融等專業領域用戶的信任，目前客戶包含如 ByteDance（Tiktok 的母公司）、Scaylor。
第二，則是更偏基礎建設定位的開發者工具鏈。Memvid 提供 Python、Node.js 與 Rust 的軟體開發套件（SDK）與命令列（CLI），讓工程師團隊可以更快把這層「可攜式記憶」嵌入自己的 AI 應用裡。目前官方提供免費試用體驗。
雖然 AI 霸凌者的職缺只有 1 位，但相信 Memvid 不只是想幫大家找一個對 AI 發脾氣的出口。
