吞噬经验（vs 消耗数据）
一句话定义
真 Native 系统不是”消耗”数据（一次性查找/读取），而是”吞噬”经验（把每次交互、每次纠错、每次反馈都吸收进系统的认知结构）。
出处
陈天桥三阶段框架，作为 AI Native 三测试之一（存亡 / 流转 / 记忆）。
三种范式（学习机制对照）
| 范式 | 数据形态 | 学习机制 | 优劣 |
|---|---|---|---|
| RAG | 静态文档 + 向量检索 | 用前嵌入，用时检索 | 工程成熟；知识库需先整理 |
| Fine-tune | 标注训练集 | 梯度更新参数 | 行为深度内化；成本高、迭代慢 |
| ORR - Observe-Record-Replay | 生产对话本身 | 观察队友给真实用户的回答 → 绑定到原始问题 → 形成 case base | 冷启动低、grounding 强、持续累积；依赖团队回答 Day1 问题 |
三个使用场景
- 判断 native 真伪：产品说自己 AI native，问”它怎么记忆？” → 只是 store 数据 = Enable；能从交互中持续学习 = Native。
- 评估学习范式选择：客服 / 社区 / 对外触点场景适合 ORR；专业知识固化场景适合 RAG；行为模式深度场景适合 fine-tune。
- 诊断长期价值：能”吞噬经验”的产品时间是朋友（用得越久越好），只能”消耗数据”的产品时间是敌人（一开始最好用）。
反例 / 边界
- ❌ “我们记录了用户的所有对话历史” — 这是消耗数据，不是吞噬经验
- ❌ “支持上下文记忆” — 一次会话内的 context window 不算
- ✅ “用户纠错过的内容，下次不会再错” — 真吞噬经验
- ✅ “队友的回答会成为系统未来的 case base” — ORR 范式
典型案例
- Case - Lucius - 组织context层 — ORR 学习范式（用户问 → 不会 → 转人工 → 队友答 → 系统在旁观察 → 第二次用户同问题直接答）
- Case - Hermes Agent - 持续进化的AI队友 — 拟人化叙事下的”成长 / 记忆”机制
相关术语
- AI Native — 吞噬经验是 Native 三测试之一
- ORR - Observe-Record-Replay — 吞噬经验的具体实现范式
- Agent-native 壁垒 — 领域状态壁垒的本质就是吞噬经验
- 认知共生 — 吞噬经验在 Agent + App 之间形成的飞轮