公司大腦 (3/4)：互動記憶，保存被遺棄的「為什麼」 (Company Brain: Interaction Memory)

原始來源與檔名：20260512_2026-05-05T093850+0800-Company Brain, Part 3 Interaction Memory.md

來源：[[@ashwingop]] (Sentra Founder) / X (Twitter) — 2026-05-03 原始檔名：2026-05-05T093850+0800-Company Brain, Part 3 Interaction Memory.md

NAPKIN | 餐巾紙

餐巾紙公式

Artifacts (Jira/Docs) = Compressed Reality (Loss of “Why”). Meetings/Slack/Emails = Interaction Memory (The Chain of Thought). Semantic Ontology = Translates unstructured chatter into [Decisions], [Risks], [Dependencies], [Commitments]. Interaction Memory = Allowing the company to re-read its own past dynamically.

公司裡所有重要的決定都發生在文件產出「之前」——那些發生在會議、Slack 或郵件中的爭論與妥協。當決策最終變成 Jira 工單或 PRD 時，真正的脈絡（為什麼這麼做？誰反對了？什麼假設被忽略了？）已經被壓縮並遺失。這篇文章探討「互動記憶 (Interaction Memory)」的重要性：它不是單純的會議逐字稿，而是利用「本體論 (Ontology)」，將人們隨口的聊天結構化為承諾、風險與決策，讓 Agent 在未來執行任務時，知道任務背後真正的人性原因。

一句話

這是《公司大腦》系列第三篇。事實記憶記錄了「結果」，而互動記憶保存了「過程」。作者強調，逐字稿和 AI 會議摘要依然不足，因為它們缺乏結構化理解。真正的互動記憶依賴「本體論 (Ontology)」，能把一句看似無害的會議發言，針對不同部門解讀為：對工程師是依賴項、對法務是待審批、對銷售是客戶承諾。有了這層記憶，公司大腦就能敏銳地發現：跨部門對同一個決策產生了認知分歧，或者某個妥協的假設已經悄悄破滅。

餐巾紙草圖

[ The Power of Ontology in Interaction Memory ]

Raw Utterance: "We can ship Friday if legal signs off and Acme is okay with it."

Without Ontology (Just Transcript): Saved as a string. Hard to find.
With Ontology (Interaction Memory):
  -> Product Lens: [Launch Plan] with constraint.
  -> Legal Lens: [Approval Dependency].
  -> Sales Lens: [Conditional Commitment] to Acme account.
  -> Executive Lens: [Unresolved Decision].

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

互動才是決策發源地: 客戶抱怨、銷售承諾、架構妥協都發生在即時對話中。當這些變成工單或文件時，脈絡已經失真（被壓縮）。
互動記憶的定義: 它是組織的 Chain of Thought (思維鏈)。它保存了妥協的過程、脆弱的假設以及言外之意。
本體論 (Ontology) 的關鍵性: 會議記錄是不夠的。必須有一套模型來分類：這是決策、承諾、反對意見，還是風險？同一句話在不同部門眼裡有不同的意義。
重讀過去的能力: 互動記憶允許公司動態改變認知。例如，一個看似微不足道的客訴，在出現三次後，系統能回溯並將其標記為「流失風險 (Churn Risk)」。
主動發現盲點:
- 發現隱含的承諾但沒有負責人。
- 發現不同團隊對同一個會議決策有截然不同的理解。
隱私邊界: 這種極度貼近人類思維的記憶，必須處理好權限問題，否則會變成恐怖的職場監視網。

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

核心論證鏈

決策的不可逆壓縮: 任何文字產出（Artifact）都是對現實的降維打擊。你寫下的結論永遠無法涵蓋推導結論時的各種邊界條件。如果公司只依賴 Artifacts 運作，就像是在沒有運算過程的情況下，盲目信任黑板上的最終答案。
多維度的語意解析 (Multi-lens interpretation): 人類天生懂得「聽話聽音」，知道一句話對不同部門的影響。傳統軟體只能做文本檢索，但結合 LLM 的本體論解析，可以把非結構化的廢話，提煉成結構化的業務狀態機。這正是 AI 取代初階 PM 的核心能力。

關鍵證據

會議中的經典句型分析：“We can ship this Friday if legal signs off…” 展示了如何用多視角 (Lens) 拆解一句話，這是極具說服力的產品架構展示。

邊界條件

互動記憶極度依賴語境 (Context)。人類說話充滿了諷刺、客套和反話（例如：「那可真是太棒了」）。如果 LLM 的情緒辨識能力不足，可能會把抱怨誤判為讚美，把推諉誤判為承諾，這會導致知識圖譜充滿垃圾資訊。

ROUND 3: SOUL | 靈魂提取

“還能怎么用”

知識連結: 這篇解釋了為什麼在《可运行不等于可交付》中，設計師必須參與問題定義。因為在畫出 UI 之前，那個決定 UI 該長怎樣的「互動與爭論」，才是產品真正的靈魂。
深層洞見: “If factual memory is the company remembering its artifacts, interaction memory is the company remembering how meaning was created.” 事實記憶讓你找到文件，互動記憶讓你想起當初為什麼要寫這份文件。
行動呼籲: 身為管理者，不要只依賴會議的「Action Items (待辦清單)」。請你的 AI 會議助理增加一個輸出欄位：「Unresolved Tensions (未解決的張力/隱含的風險)」，把你錯過的人際政治與妥協記錄下來。