LLM 是一个无状态纯函数：Harness 工程的第一条公理

那天下午我在重构一段代码。

逻辑本来就绕，改法来来回回对焦了好几轮，最后磨出了一个都认可的思路。

我去倒了杯水。

回来开了个新窗口，打算接着写实现。把刚才定的思路说了一遍。

它客气地说「好的」，然后问我那段逻辑想怎么处理。

等一下，我刚才说了。

重说一遍，往下走两步，它又问了同一个问题。

切回原来那个对话。同一个问题，它接得毫无破绽，好像那个方案本来就在那里。再新建一个窗口，又是个陌生人。

左边栏里，原来的对话好好躺着，一字不差，没丢。同一个模型，同一台服务器，刚刚还跟我一起磨方案的那个「它」——哪儿去了？

它不是在记，是在读

先别急着下结论，换个角度想。你跑一个脚本，跑完进程退出。下次再跑，从头开始，上次算的东西全没了。除非你主动写进了文件。

LLM 就是这种东西。一个函数：f(context) → tokens。喂进去一段文字，吐出来一段文字。调用结束，状态归零，下一次调用物理上是一次全新的开始。

AI 工程圈常被引用的 Simon Willison 说过一句很直白的话：LLMs 是无状态的函数调用。每次执行，都从同一个空白状态开始。完全没有意义去「告诉」模型什么、期望它在未来对话中记住。

第一次读，有点反直觉。但想想前面那个程序的例子就顺了：模型自己不存东西，它没有「昨天」这个概念。那问题就来了：既然什么都不记得，为什么同一个对话里，它又明明接得住上下文？

Karpathy 给过一个类比，挺好用。LLM 像 CPU，对话窗口（context window）像 RAM。CPU 负责算，RAM 装它当前要算的东西。你每在对话框里敲一条新消息，整个窗口里已经堆着的字符，加上你这条新消息，会被整包塞给 CPU 算一次，算完吐一段回复。下一轮，整包再塞一次，再算一次。

听起来有点笨，但事实就是这样。它「记得」上一句你说了什么，不是因为它真记住了，是因为上一句还摆在 RAM 里，跟着这一次的输入一起被读了进去。RAM 里有什么，它就看得见什么，RAM 之外，什么都不存在。

关掉窗口，那块 RAM 就清了。下次打开，是一块全新的 RAM，跟昨天那块，物理上不是同一块。

给它什么，它就是什么

想通这一层，以前一堆别扭的现象，突然就都讲通了。

Claude Code 聊久了会「失忆」，对话越长，早期定的约定越容易失效。以前以为是模型开小差，现在再看，早期那些约定，是被后面塞进来的新内容，从 RAM 里挤出去了。RAM 就那么大，进得来新的，就得挤走旧的。

告诉 AI 一次偏好，下次开窗口得重说一遍。AI 用久了不会越来越懂你，每一次对话它都是第一次见你。

遇到它做得烂，第一反应不该是「这模型不行」，该先问一句：RAM 里给够了吗？

这也解释了一件事。你有没有注意过，Claude Code 每次新对话启动，都会自动读一个叫 CLAUDE.md 的文件？项目背景、代码规范、团队约定，全写在里面。

不是什么高级设计。Anthropic 自己也接受了这个物理限制：既然跨对话没记忆，那就每次新对话启动，自动把该知道的东西重新塞回 RAM 里。绕不开，就不绕，正面处理。

这条想明白，再回头看你平时跟 AI 打交道的方式，大多数动作的性质都变了。你不是在「训练」它，你是在往它眼前那块 RAM 里，摆你希望它看见的东西。摆什么、摆多少、怎么排、什么时候清，这些不是用户技巧，是 AI 工程的决策。

用 AI 做事，本质只有一件：给这个无状态的函数，组装一块它用得上的 RAM。

那稳定的「人格」从哪儿来：AI 工程的下一层

不过还有个问题没答。既然每次都是空 RAM，Claude Code 为什么每次打开，都带着一种稳定的「人格」？固定的工作方式，一以贯之的语气。

不可能是巧合。在你敲下第一条消息之前，已经有人，提前往那块 RAM 里塞了东西。下一篇，看看塞的是什么。

这个系列，打算一层一层把围绕这个无状态函数搭起来的 harness 拆开看。觉得有用，转发给也在用 AI 写代码的朋友。觉得这个框架值得继续看，点个关注。有想法或者不同意的地方，留言聊聊。