普通人用AI，一个容易被忽略的损失，是每次使用都在重新开始。答案已经生成，背景却没有留下；成果已经采用，采用的理由却消失了；错误已经修正，下次仍可能原样重演。
我把能够改变这种状态的机制称为“AI复利”：本次工作形成的经验，在适用条件下减少下一次工作的成本，或提高下一次判断的质量。
复利不是对自动增长的承诺，而是一个需要被检验的累积机制。关键不在于保存了多少，而在于下次是否真正用得上。
一、会提问解决这一次，复利连接下一次
一个好问题能够改善回答，但问题问得再好，也未必改变下一轮工作的起点。如果背景、来源和检查方法仍需重建，效率提升主要发生在单次生成中。
长期差异来自可迁移的学习：一次成功留下方法，一次失败留下条件，一次判断留下依据。这样下一轮工作才能在已经知道的基础上继续。
这也是为什么提示词收藏量不是能力指标。真正有价值的是知道某个方法为什么适用，何时应当修改，何时根本不该再用。
二、三种资产：方法、上下文与检验
方法资产保存怎样完成一类工作，包括输入、步骤和结果要求。上下文资产保存这项工作处于什么环境，包括目标、材料、已有决定和未解决问题。检验资产保存怎样辨认结果是否值得采用，包括错误样例、核查步骤和适用边界。
三者不能彼此代替。只有模板，工作容易脱离现实；只有材料，系统不会自己形成方法；只有结果，没有检验，成功与侥幸就难以区分。
所谓复利，是这三类资产在下一次任务中重新发挥作用，而不是把所有聊天记录塞进一个更大的存储空间。
三、记忆也会积累债务
更多记忆不必然带来更可靠的智能。过时的价格、被否决的方案、未经核验的猜测，如果失去状态标签，就会以“系统记得”的形式回到新任务。
这使遗忘和修订成为累积机制的一部分。一项结论应当允许被新证据替代；一个模板应当知道适用日期；一个失败方法不应仅仅因为反复出现而获得更高权重。
我的判断是，长期AI系统的优势将越来越依赖记忆治理：不只记住什么，还能说明它来自哪里、是否仍然成立、在哪些情况下不应使用。
四、真正昂贵的是找不到已经学过的东西
材料散落在聊天、邮件、文档和个人记忆中，会产生一种重复解释成本。人明明做过这件事，却不得不再次寻找、核对和说明。
降低这项成本，不一定需要庞大系统。一次任务结束时，留下结果位置、关键依据、尚未解决的问题和下一步，往往就比另写一份全面总结更容易复用。
记录需要服务于检索和行动。如果维护记录比重新做事更费力，系统本身就会消耗所谓复利。好的沉淀应当足够轻，也足够准确。
五、错误如何转化为资产
错误只有改变了后续行为，才产生学习价值。一次虚构来源，应当促使下一轮引用检查实际链接；一次方案超出资源，应当促使下一轮先核对约束。
但规则也不能无限膨胀。把每一次偶发问题都变成永久禁令，会让工作被历史包袱拖慢。需要区分普遍缺陷、特定情境与偶然事件，再决定改方法还是改个别结果。
因此，复利并不等于规则越多越好。它意味着检验越来越能抓住影响结果的差异，让同类错误减少，又不阻止新的探索。
六、怎样判断复利真的发生了
可以追踪三类变化：重新解释背景的时间是否减少，同类任务是否少走已知弯路，过去的经验是否在新条件下仍然有效。文件增多和对话变长，都不能单独回答这些问题。
还要把维护成本算进去。更新资料、排除过时信息、验证复用是否恰当，都需要投入。只有收益超过这些成本，累积才真正改善工作。
人的长期优势，未必来自拥有最新的每一种模型，而可能来自拥有一套能够持续修正的经验结构。模型可以更换，经验不必全部归零。
每次使用AI之后，值得问的不是“存下了吗”，而是“下一次会因此有什么不同”。能够回答这个问题，复利才开始成立。