为什么 ChatGPT 连接器记不住你的决定 (2026)

同步索引的是源文件，而你的决定并不是源文件

其机制是文档索引。OpenAI 的文档描述了“一次性初始文件同步”，在此之后“文件和权限会频繁更新，通常能快速反映更改”，并经历三个阶段——同步启动（Sync Initiation），然后是部分同步（Partial Sync），此时“你最近的数据现已可用并可供搜索”（大约是过去 30 天，不过文档指出“可能会有所不同”），最后是完全同步（Complete Sync）。根据组织规模，完整的过程“可能需要长达几天的时间”。

这些阶段中的每一个都是针对文件操作的。这对于回答“第三季度计划里有什么？”非常合适，但在结构上对于回答“我们同意做些什么来代替第三季度计划？”却毫无用处。第二个答案存在于某人的脑海中、某个讨论线程中，或者某个 ChatGPT 对话中——而这些都不在索引里。连接器弥合了 ChatGPT 与你的文档库之间的差距。但对于你的文档库与你团队实际得出的结论之间的差距，它们无能为力。

检索范围仅限于问题，而非你的历史记录

即使对于已被索引的材料，传给模型的也只是筛选后的内容。OpenAI 直接指出：“根据查询意图，最相关的数据会被发送给模型，这限制了在需要从众多源进行聚合或非常复杂的查询（例如财务数据聚合）的场景中的性能。”

这是坦诚的文档，它带来了一个人们常常忽略的后果。检索是针对单个问题进行的。它不会累积。周一询问定价决定，会得到三份文档；周四再次询问，会得到重新筛选出来的相同三份文档，完全没有留下你周一已经读过它们并得出它们不完整的痕迹。这里没有关于搜索的记忆，只有一次新的搜索——这与为什么 RAG 不是记忆中讨论的区别相同。

决定的记录存在于聊天中——删除聊天就会删除它

这是最让人感到意外的一点，而且它在数据控制部分有明确说明。“删除对话会删除该对话中保留的任何已同步的应用数据。” 并且断开连接并不能撤销过去的操作：“断开连接会停止未来的同步和对该应用的访问，但不会删除已经使用该数据的现有对话。” 从你的账户中删除已连接数据的官方记录方法是“删除使用过该数据的对话以及相关的已保存记忆”。

如果把这看作是一个架构声明，而不是隐私声明，画面就会变得更加清晰。对话是检索到的材料与你对它的推理最终结合在一起的地方。这使得聊天成为了事实上的决定记录——而聊天也是删除的单位，即当你的侧边栏变得杂乱时你会清理的东西。整个工作流中最有价值的产物，却被存储在产品中最容易被丢弃的容器中。

Memory（记忆功能）部分涵盖了这一点，文档对其工作方式的描述非常精确：“如果你启用了 Memory，ChatGPT 可能会保存并使用它访问过的相关信息（包括来自已连接应用的信息），以便与你互动并提供更相关、更有用的回复。” 注意这句话的措辞。可能保存。相关信息。这是一个发挥其作用的个性化机制，而不是决定日志——它是一种综合，而不是抄本，这就是为什么寻找特定结论的人往往找不到的原因。如果你已经遇到了这种情况，当 ChatGPT 记忆不起作用时该怎么办涵盖了诊断方法。

权限是针对个人的，因此没有共享的答案

连接器彻底尊重访问控制。“现有权限会得到充分尊重并定期保持最新状态”，并且应用“旨在让用户只能通过 ChatGPT 发现他们已在相应网站中可以访问的内容”。文档随后毫不避讳地指出了这一后果：“对于商业和企业/教育计划，这意味着每个员工针对相同的提示词可能会收到不同的回复。”

这是正确的安全设计，我也希望如此。但这意味着基于连接器的回答本质上是个人的。同一团队中的两个人，问同一个问题，基于相同的已连接源文件，可能会得到不同的答案——而且他们谁都没有看到团队决定的共享记录。无论连接器是什么，它们都不是一个共享的大脑，因为每个成员的检索面都是不同的。

了解其可用性也很重要，因为这决定了谁会遇到这个问题：文档指出，带有同步功能的应用“仅适用于特定的付费计划”，并且它们“适用于启用了企业密钥管理 (EKM) 的企业和教育工作区”。而且打包方式最近发生了变化——截至 2026 年 7 月 9 日，OpenAI 将应用目录迁移到了插件目录中，其中“应用仍然是将 ChatGPT 或 Codex 连接到外部数据和操作的集成，而插件则使在 ChatGPT 中启用工作流变得更加容易”。

把所有内容都放进 Drive 文档中。 直觉是对的——把决定写成文档，以便索引能够找到它。但在实践中，这种习惯在两周内就会失效，因为撰写决定文档是一项与做出决定完全独立的工作，而且同步延迟意味着今天早上写的文档在今天下午你需要时可能还无法被搜索到。

置顶重要的聊天。 这可以让它在侧边栏中易于找到。但它无法让其内容在新的对话中被检索到，无法帮助团队成员，并且仍然将记录留在了可删除的单元中。

在每个提示词中粘贴上下文。 这很有效，也是大多数人默默在做的事情。但这也意味着持久的知识存在于你的剪贴板和习惯中，它在每条消息上都会消耗上下文，而且一旦你使用手机或同事询问时，它就不存在了。

连接更多应用。 更多的源文件意味着对现有文档的覆盖范围更广。但对于那些从未成为文档的知识类别，它无能为力。添加第五个连接器并不能帮助 ChatGPT 记住你在 3 月份否决了基于队列的设计。

依赖 Memory 来捕获它。 Memory 确实会吸收其中的一部分，包括来自已连接应用的内容。但它是为个性化而构建的综合体，绑定在个人账户上，并且无法作为决定日志进行浏览——其局限性在 ChatGPT 记忆限制中有所提及。

使用 Project（项目）。 这更接近了——Project 提供了共享文件和共享指令。但项目记忆在两个方向上都有自己的壁垒，这是一个不同的问题，在为什么 ChatGPT Projects 不共享记忆中有所讨论。

上述所有情况的共同模式是，人们一直在尝试用源文件检索工具来解决衍生知识的问题。连接器索引的是你公司已经写下来的内容。而你需要的是一个存放你公司“想明白的事情”的地方——那些决定、限制、尝试过并被否决的事情——这些内容既不是任何已连接系统中的文档，也没有被埋在可删除的聊天中。

这就是 MemoryLake 所做的事情：一个供你的助手读取的记忆层，保存的是结论而不是源文件。连接器继续做它们擅长的事，即寻找幻灯片；而记忆层则保存着说明哪份幻灯片是最新版本以及为什么另一份被废弃的那句话。设置只需三个步骤。

步骤 1：创建 API 密钥

登录 MemoryLake 并创建一个 API 密钥。这是你的工具用来读取和写入记忆的凭证，它刻意独立于任何单一助手——无论你明年使用什么，相同的记忆都能派上用场。

步骤 2：上传你的第一批记忆

从决定开始，而不是从文档开始。你连接的应用已经有了文档。它们没有的是文档之上的层级：决定了什么、否决了什么以及原因、哪些限制是不可妥协的、两份冲突的文档中哪一份是权威的。保持条目简短——每个条目一个结论，陈述得足够明白，以便同事无需追问即可据此行动。记录否决方案的条目是你写下的最有价值的条目，因为否则的话，每一个新的助手都会重新提出被否决的方案。

步骤 3：连接你的 AI 和智能体

连接你实际使用的工具。MemoryLake 可以通过 MCP 和 API 访问，因此 MCP 原生智能体（包括 Claude Code、Codex 和 OpenClaw）通过指向 MCP 服务器进行连接，而其他助手则通过 API 读取相同的记忆。关键在于，决定层不再是针对单一工具或个人的：无论你在哪里提问，“我们对定价层级做出了什么决定”的相同答案都触手足及。

三个坦诚的限制，因为客观公正比推销更重要。MemoryLake 不是企业连接器：它不索引你的 Drive，不继承你的文件 ACL（访问控制列表），也不是带有同步功能的应用的替代品——如果你需要对语料库进行权限范围内的检索，这正是连接器的用途，你应该继续使用它们。它也只保存你或你的智能体放入其中的内容；它不会监视你的会议。而且它不是一个强制执行层——它是你的助手所知道的内容，而不是你的助手不能违反的规则。

“我们决定了什么？”变得可以回答。 这不是通过对相同源文件进行更好的搜索来实现的，而是因为答案终于作为一个可检索的陈述存在，而不是在三份从未提及该决定的文档中进行推论。

聊天清理不再具有风险。 当对话不再是结论的唯一记录时，删除旧聊天只是日常整理，而不是数据丢失。鉴于删除对话还会删除其中保留的已同步应用数据，这比听起来更有价值。

回答不再因人而异。 权限范围内的检索意味着同事们合理地看到不同的源文件。共享的决定层意味着他们至少共享结论——因此，分歧变成了关于实质内容的讨论，而不是关于谁有权访问哪个文件夹。

聚合问题变得不再那么棘手。 OpenAI 坦言，需要跨多个源文件进行聚合的查询是基于同步检索的弱点。许多此类问题实际上并不是聚合问题——它们是答案已经被某人解决过一次的问题。记录已经解决的答案完全避开了这一弱点。

入职培训时间缩短。 新人不需要访问五年的文档就能发挥作用。他们需要的是解释事情为什么是现在这样的二十句话，而这恰恰是连接器中无法容纳的内容。

将源文件和结论保存在不同的地方。 连接器用于源文件，记忆层用于结论。试图让其中任何一个去做另一个的工作，正是挫败感的来源。

在做出决定的那一刻就把它写下来。 不是写成文档——而是一句话。“我们不采用按席位定价；小团队的流失风险是阻碍因素。” 十秒钟，它就能比聊天记录存活得更久。

记录被否决的方案及原因。 原因是最核心的部分。没有它，被否决的想法就会卷土重来，你将不得不与一个完全不知道你以前经历过这些的助手重新争论。

当你清楚源文件时，使用 `@` 提及。 文档描述了通过 @ 提及或工具菜单明确要求 ChatGPT 搜索特定应用，并在你不希望它进行内部搜索时加入类似“不要进行内部搜索”的提示词。明确指示胜过寄希望于路由器的良好猜测。

预料到新材料的同步延迟。 初始索引可能需要长达几天的时间，而部分同步首先覆盖大约过去 30 天的内容。你一小时前创建的文档可能还无法被搜索到——这是文档中记录的行为，而不是故障。

不要依赖连接器进行数字聚合。 OpenAI 将财务数据聚合列为薄弱环节。使用专门为此构建的工具提取数字；使用 ChatGPT 对其进行推理。

记住 Memory 是针对每个账户的。 它绑定到个人账户，无法在用户之间转移，因此团队需要共享的任何内容都不能仅存在于那里。

已连接的应用完成了一项特定且有价值的工作：它们使你公司的文档在保持权限完整的情况下，能够从你已经在提问的地方被访问到。OpenAI 的文档坦诚地说明了这项工作的界限——最适合问答和搜索、针对每个问题筛选最相关的数据、在聚合方面较弱、因权限而异。

差距不在于实现方式。而在于决定从来都不是文档。在结论拥有自己的归宿之前——在源文件之外、在恰好保存它们的聊天之外，并且可以被你使用的任何助手访问——你将继续获得对那三个不包含答案的文件的极佳检索。如果你希望在不同的助手之间（而不仅仅是在一个地方）使用相同的结论，跨 ChatGPT、Claude 和 Gemini 的统一记忆涵盖了这种形式，而为什么 ChatGPT 会遗忘上传的文件则涵盖了从单个上传开始的这一问题的版本。