diff --git a/README.md b/README.md
index 38d0234..8c15798 100644
--- a/README.md
+++ b/README.md
@@ -349,6 +349,8 @@ Key fields:
 - `recall.manualRescueRatio`: `manual.requested / auto.requested` — a proxy for how often users still need to search manually despite automatic recall.
 - `feedback.falsePositiveRate`: wrong-memory reports divided by stored memories.
 - `feedback.falseNegativeRate`: missing-memory reports relative to capture attempts.
+- `duplicates.flaggedCount`: number of memories flagged as potential duplicates (similarity >= writeThreshold during capture)
+- `duplicates.consolidatedCount`: number of memories merged via consolidation (similarity >= consolidateThreshold)
 
 ### Interpreting Low-Feedback Results
 
@@ -520,6 +522,53 @@ This configuration:
 
 ---
 
+## Deduplication Configuration
+
+The provider supports similarity-based deduplication to reduce storage bloat from semantically equivalent memories.
+
+### Configuration
+
+Add a `dedup` block to your sidecar config:
+
+```json
+{
+  "dedup": {
+    "enabled": true,
+    "writeThreshold": 0.92,
+    "consolidateThreshold": 0.95
+  }
+}
+```
+
+- **`enabled`**: Enable/disable deduplication (default: `true`)
+- **`writeThreshold`**: Similarity threshold for flagging new memories as potential duplicates (default: `0.92`)
+- **`consolidateThreshold`**: Similarity threshold for automatic merging during consolidation (default: `0.95`)
+
+### How It Works
+
+1. **Flagging** (write-time): When a new memory is captured, the system checks similarity against existing memories in the same scope. If similarity >= `writeThreshold`, the memory is written with `isPotentialDuplicate: true` flag.
+
+2. **Consolidation** (background): On `session.compacted` events, the system automatically merges memory pairs with similarity >= `consolidateThreshold`. Merged records are marked with `status: "merged"` and excluded from search results.
+
+### Manual Consolidation
+
+You can manually trigger consolidation:
+
+```text
+memory_consolidate scope="project:your-project" confirm=true
+memory_consolidate_all confirm=true
+```
+
+### Environment Variables
+
+| Variable | Default | Description |
+|----------|---------|-------------|
+| `LANCEDB_OPENCODE_PRO_DEDUP_ENABLED` | `true` | Enable/disable dedup |
+| `LANCEDB_OPENCODE_PRO_DEDUP_WRITE_THRESHOLD` | `0.92` | Similarity threshold for flagging |
+| `LANCEDB_OPENCODE_PRO_DEDUP_CONSOLIDATE_THRESHOLD` | `0.95` | Similarity threshold for merging |
+
+---
+
 ## OpenAI Embedding Configuration
 
 Default behavior stays on Ollama. To use OpenAI embeddings, set `embedding.provider` to `openai` and provide API key + model.
diff --git a/docs/backlog.md b/docs/backlog.md
new file mode 100644
index 0000000..93e2233
--- /dev/null
+++ b/docs/backlog.md
@@ -0,0 +1,111 @@
+# OpenCode 持續學習 Backlog（OpenSpec 索引）
+
+> 此檔案是 **索引/導航**，不是規格本體。  
+> 實作細節、驗收條件、任務拆解以 `openspec/changes/*` 為準。
+
+---
+
+## 使用規則
+
+- `Status`：`planned` / `proposed` / `in_progress` / `done` / `cancelled`
+- `OpenSpec Change ID`：對應 `openspec/changes/<change-id>/`
+- `Spec Path`：通常為 `openspec/changes/<change-id>/specs/...`
+- 若尚未建立 change，先填 `TBD`
+
+---
+
+## Epic 1 — 記憶資料模型升級
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-001 | 擴充 MemoryRecord metadata | P0 | planned | TBD | TBD | 單使用者優先，user/team optional metadata |
+| BL-002 | 擴充 FeedbackEvent metadata | P0 | planned | TBD | TBD | 對齊 sourceSessionId/confidenceDelta |
+| BL-003 | 新增 EpisodicTaskRecord schema | P0 | planned | TBD | TBD | task episode 基礎資料模型 |
+| BL-004 | 記憶 schema migration 機制 | P0 | planned | TBD | TBD | 向後相容與版本遷移 |
+
+## Epic 2 — 偏好學習（單使用者優先）
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-005 | Preference profile 聚合器 | P0 | planned | TBD | TBD | preference 聚合核心 |
+| BL-006 | 偏好衝突解決規則 | P0 | planned | TBD | TBD | recent/direct signals 優先 |
+| BL-007 | Scope precedence resolver（single-user first） | P1 | planned | TBD | TBD | 預設 project > global |
+| BL-008 | Preference-aware prompt injection | P0 | planned | TBD | TBD | 分層注入偏好/決策/成功模式 |
+| BL-009 | 偏好學習效果指標 | P1 | planned | TBD | TBD | repeated-context / clarification-turn |
+
+## Epic 3 — 顯式記憶 UX
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-010 | `/remember` 指令或同等工具 | P0 | planned | TBD | TBD | 顯式寫入記憶 |
+| BL-011 | `/forget` 指令或同等工具 | P0 | planned | TBD | TBD | 顯式移除/停用記憶 |
+| BL-012 | `/what-did-you-learn` 檢視 | P0 | planned | TBD | TBD | 近期學習摘要 |
+| BL-013 | `/why-this-memory` 解釋能力 | P1 | planned | TBD | TBD | 記憶命中理由可解釋 |
+| BL-034 | 多使用者 identity 模式（條件啟用） | P2 | planned | TBD | TBD | 共享記憶服務時啟用 |
+
+## Epic 4 — 任務經驗記憶（Episodic Learning）
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-014 | Task episode capture | P0 | planned | TBD | TBD | 任務執行軌跡收集 |
+| BL-015 | Validation outcome ingestion | P0 | planned | TBD | TBD | 吸收 type/build/test 結果 |
+| BL-016 | Failure taxonomy | P0 | planned | TBD | TBD | 標準化失敗分類 |
+| BL-017 | Success pattern extraction | P1 | planned | TBD | TBD | 從成功 episode 抽 pattern |
+| BL-018 | Similar task recall | P1 | planned | TBD | TBD | 任務前召回相似成功案例 |
+
+## Epic 5 — Retry / Recovery Learning Layer（與 OpenCode/OMO 整合）
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-019 | Retry/Recovery evidence model | P1 | planned | TBD | TBD | 不重做執行引擎，做 evidence/policy hints |
+| BL-020 | Retry budget 與 stop conditions（建議層） | P1 | planned | TBD | TBD | 建議停止/升級訊號 |
+| BL-021 | Backoff / cooldown 訊號整合 | P1 | planned | TBD | TBD | 整合 OpenCode/OMO 事件 |
+| BL-022 | Strategy switching 建議器 | P1 | planned | TBD | TBD | 失敗後備援策略建議 |
+| BL-035 | Checkpoint/Resume evidence index（整合式） | P2 | planned | TBD | TBD | resume intelligence，非狀態機重做 |
+
+## Epic 6 — Citation 與記憶可信度
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-023 | Citation model | P0 | planned | TBD | TBD | 記憶來源可追溯 |
+| BL-024 | Citation validation pipeline | P1 | planned | TBD | TBD | 引用有效性檢查 |
+| BL-025 | Freshness / decay engine | P1 | planned | TBD | TBD | 記憶衰減與降權 |
+| BL-026 | Conflict detection | P1 | planned | TBD | TBD | 偏好/策略衝突辨識 |
+
+## Epic 7 — 背景治理與整併
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-027 | Weekly consolidation job 升級 | P1 | planned | TBD | TBD | dedup + stale review |
+| BL-028 | Promote episodic → semantic rules | P1 | planned | TBD | TBD | 高成功率規則升級 |
+| BL-029 | Human review gate for risky learning | P1 | planned | TBD | TBD | 高風險規則人工審核 |
+
+## Epic 8 — 觀測、評估、產品化
+
+| BL-ID | Title | Priority | Status | OpenSpec Change ID | Spec Path | Notes |
+|---|---|---|---|---|---|---|
+| BL-030 | Learning dashboard summary | P1 | planned | TBD | TBD | 週摘要可視化 |
+| BL-031 | Learning KPI pipeline | P1 | planned | TBD | TBD | retry-to-success / lift 指標 |
+| BL-032 | Eval harness for learning quality | P2 | planned | TBD | TBD | 固定資料集回歸驗證 |
+| BL-033 | A/B testing framework | P2 | planned | TBD | TBD | learning feature 效益驗證 |
+
+---
+
+## 建議執行切片（索引版）
+
+### Release A（使用者有感）
+BL-001, BL-002, BL-005, BL-006, BL-008, BL-010, BL-011, BL-012
+
+### Release B（經驗學習閉環）
+BL-003, BL-014, BL-015, BL-016, BL-017, BL-018, BL-019, BL-020
+
+### Release C（治理與產品化）
+BL-021, BL-022, BL-023, BL-024, BL-025, BL-026, BL-027, BL-028, BL-029, BL-030, BL-031, BL-034, BL-035
+
+---
+
+## 維護規則
+
+1. 每建立一個 OpenSpec change，就回填 `OpenSpec Change ID` 與 `Spec Path`。  
+2. `Status` 只能反映最新真實狀態（不要批次晚更新）。  
+3. 若 backlog 與 OpenSpec artifacts 衝突，以 OpenSpec artifacts 為準。  
diff --git a/docs/roadmap.md b/docs/roadmap.md
new file mode 100644
index 0000000..d0712cf
--- /dev/null
+++ b/docs/roadmap.md
@@ -0,0 +1,355 @@
+# OpenCode 持續學習 Roadmap
+
+> 目標：讓使用者明顯有感 OpenCode 會隨著專案持續開發而越用越懂人、越做越會成功。
+
+## 北極星目標
+
+OpenCode 要從「有長期記憶的工具」進化成「會累積團隊工作經驗的開發代理系統」，具體要達成兩件事：
+
+1. **與使用者互動學習**：記住並逐步內化個人/團隊偏好、術語、決策脈絡、工作習慣。
+2. **從 AI 試錯成功經驗學習**：把成功的修復路徑、驗證方式、重試策略、失敗教訓轉成可重用經驗，讓後續任務成功率與速度持續上升。
+
+---
+
+## 目前已具備的基礎
+
+根據 `docs/architecture.md`、`docs/operations.md`、`docs/release-readiness.md` 與程式碼現況，本專案已經有不錯的底座：
+
+- **持久化記憶**：跨 session 保存 memory
+- **自動捕捉**：從 assistant 完成內容中擷取 durable outcomes
+- **混合檢索**：vector + BM25 + recency/importance weighting
+- **回憶注入**：在 `experimental.chat.system.transform` 注入記憶
+- **結構化回饋**：`memory_feedback_missing / wrong / useful`
+- **效果指標**：`memory_effectiveness` 可看 capture/recall/feedback 指標
+- **作用域隔離**：project/global scope
+- **相似記憶處理**：duplicate flagging + consolidation
+
+這代表專案已經有 **memory substrate**，但離「會學習的 agent」還差一層：**把回饋、結果、軌跡、偏好真正閉環回寫到決策與執行**。
+
+---
+
+## 目前關鍵缺口
+
+### A. 使用者互動學習缺口
+
+1. **沒有 user identity / team identity 模型**
+   - 目前 memory 以 scope 為主，還沒有 user/team 維度。
+2. **偏好雖可被分類，卻沒有聚合與套用**
+   - `preference` 類別存在，但沒有 preference profile、衝突解決、權重更新。
+3. **沒有可驗證的偏好記憶**
+   - 記憶缺少 citation / source / freshness 機制，容易過時。
+4. **回饋沒有真正影響排序與注入策略**
+   - 有 feedback metrics，但沒有 feedback-driven ranking / injection adaptation。
+
+### B. AI 試錯學習缺口
+
+1. **沒有 task trajectory / outcome 模型**
+   - 沒有把「做了哪些步驟、試了哪些方法、哪些驗證成功」存成 episodic memory。
+2. **沒有 retry policy learning**
+   - 缺少 retry budget、backoff、failure class、strategy selection。
+3. **沒有 success pattern extraction**
+   - 成功案例沒有被抽象成 reusable playbook。
+4. **沒有 checkpoint / resume / partial recovery 機制**
+   - 中斷後無法穩定沿用先前成功中間狀態。
+
+### C. 產品化缺口
+
+1. **缺少明確的「學到什麼」使用者體感**
+2. **缺少記憶治理與過期機制**
+3. **缺少對學習品質的產品級 KPI**
+
+---
+
+## 產品原則
+
+1. **先可驗證，再自動化**：先讓記憶可檢查、可回報、可撤銷，再做更強的自主學習。
+2. **先學偏好與成功模式，再學抽象策略**：避免太早做黑盒自我優化。
+3. **記憶分層**：procedural / semantic / episodic 分離。
+4. **學習必須可衰減、可回滾、可審核**：避免 stale memory 汙染。
+5. **學習成果要對使用者可見**：不然使用者不會有「越用越強」的感受。
+
+---
+
+## 建議能力地圖
+
+### Track 1 — User Learning（單使用者先落地，保留多使用者擴充）
+
+> 設計原則：目前 OpenCode 主要是單使用者 CLI/TUI，Track 1 先以 `project/global` scope 完成可感知學習；
+> `userId/teamId` 採 **條件啟用**，僅在共享記憶服務、團隊協作或企業整合場景啟用。
+
+#### 1. Identity-Ready Profile Layer（預設不強制 user/team）
+- 新增 `sourceSessionId`、`confidence`、`freshness`、`sourceType` metadata
+- `userId`、`teamId` 先作為 **optional metadata**（非一級強制欄位）
+- 單使用者預設 precedence：project > global
+- 多使用者模式啟用時 precedence：user > team > project > global
+
+#### 2. Preference Aggregation Engine
+- 把 `memory_feedback_missing` 與 `preference` capture 聚合成顯式偏好
+- 偏好項目要有：
+  - statement
+  - scope
+  - confidence
+  - lastConfirmedAt
+  - contradictorySignals
+- 支援偏好衝突解決（近期、明確度、直接回饋優先）
+
+#### 3. Preference-Aware Injection
+- 注入時分開輸出：
+  - working preferences
+  - project decisions
+  - recent successful patterns
+- 依任務類型調整注入內容（coding / docs / review / release）
+
+#### 4. Explicit Memory UX
+- 新增面向使用者的高頻命令/介面：
+  - `/remember`
+  - `/forget`
+  - `/why-this-memory`
+  - `/what-did-you-learn`
+- 讓使用者能立即看見系統學到了什麼
+
+#### Track 1 啟用條件（user/team 何時上線）
+- 只有單機單使用者：不啟用 user/team 強制模型
+- 共享 LanceDB 或遠端記憶服務：啟用 userId
+- 團隊共用知識庫或 SSO：啟用 teamId
+- 啟用後再升級 precedence 與衝突解決規則
+
+### Track 2 — Agent Experience Learning（讓 OpenCode 越做越會成功）
+
+#### 5. Episodic Task Memory
+- 新增 task attempt / execution episode schema
+- 每次任務記錄：
+  - task goal
+  - files touched
+  - tools used
+  - validation steps run
+  - outcome（success / failed / partial）
+  - failure reason
+  - turnaround time
+
+#### 6. Success Pattern Extraction
+- 從成功 episode 萃取 reusable playbook：
+  - 某類 bug 修復常用步驟
+  - 某類 repo 常見驗證順序
+  - 某類變更的最小成功路徑
+- 將 episode 提升為 semantic memory 時要附 citations 與 success evidence
+
+#### 7. Retry / Recovery Learning & Integration Layer
+- 先建立 failure taxonomy（embedding/test/type/tool timeout/conflict）作為學習資料
+- 蒐集 OpenCode/oh-my-openagent 的重試與恢復訊號（fallback、續作、失敗原因）
+- 產生可重用的 policy hints（何時重試、何時降級、何時升級處理）
+- 避免在本專案重做完整執行引擎；優先做「可學習、可評估、可回放」
+
+#### 8. Checkpoint / Resume Evidence Layer
+- 記錄 checkpoint/resume 的證據資料（session、task、validation、outcome）
+- 與 OpenCode session continuity 與 oh-my-openagent 續作能力整合
+- 本專案優先做 resume intelligence，不自行承擔完整執行狀態機
+
+#### 7/8 整合邊界契約（責任切分）
+
+| 層級 | OpenCode | oh-my-openagent | lancedb-opencode-pro（本專案） |
+|---|---|---|---|
+| 會話生命週期 | 提供 session、messages、continue/undo 等基礎能力 | 透過 hooks 強化續作與流程控管 | 消費 session 訊號，寫入可學習記憶 |
+| 執行恢復（Execution Recovery） | 基礎會話回復與事件來源 | fallback/recovery/continuation 等執行層補強 | **不重做執行引擎**，只整合其輸出訊號 |
+| Retry 控制 | 非本專案責任 | 可提供部分 retry/fallback 行為 | 建立 evidence model、policy hints、成效評估 |
+| Checkpoint/Resume | 會話連續性（非完整 task checkpoint） | 部分續作狀態管理 | 建立 checkpoint/resume evidence index、回放與分析 |
+| 學習與長期優化 | 無長期 memory learning 主責 | 提供執行訊號來源 | **主責**：學習閉環、指標、知識沉澱 |
+
+**邊界原則**：
+- 本專案不複製 OpenCode/OMO 的執行控制能力。
+- 本專案聚焦於「把執行事件轉成長期可學習資產」。
+- 若上游能力升級，本專案優先擴充 signal ingestion，而非重寫 orchestration。
+
+### Track 3 — Trust, Quality, Governance
+
+#### 9. Citation-Backed Memory
+- 每筆重要 memory 附：
+  - file path / symbol / doc path / commit / command output reference
+- 使用前驗證 citation 是否仍有效
+- 無效時：降權、標記 stale、觸發 refresh
+
+#### 10. Memory Freshness & Decay
+- 為 preference / fact / decision / episode 設不同衰減規則
+- 長期未命中、被回報 wrong、citation 失效者自動降權
+
+#### 11. Learning Review Loop
+- 背景 consolidation job 不只做 dedup，也做：
+  - stale detection
+  - promote / demote
+  - conflict detection
+  - weekly memory summary
+
+#### 12. Safe Autonomy Guardrails
+- 高風險學習項目需人工確認才升級成長期規則
+- 避免把一次性的 workaround 學成通用策略
+
+### Track 4 — Product UX & Observability
+
+#### 13. Learning Dashboard / Summary
+- 新增「本週學到什麼」摘要
+- 顯示：
+  - 新增偏好
+  - 新增成功模式
+  - 常見失敗原因
+  - 自動救援成功率
+
+#### 14. Product-Level KPIs
+- 除現有 system-health metrics 外，新增：
+  - repeated-context reduction
+  - clarification-turn reduction
+  - retry-to-success ratio
+  - time-to-fix improvement
+  - memory-applied success lift
+  - stale-memory incident rate
+
+#### 15. Evaluation Harness for Learning
+- 建立固定 eval dataset：
+  - preference recall correctness
+  - project decision recall correctness
+  - retry strategy effectiveness
+  - stale memory resistance
+
+---
+
+## Roadmap（建議分期）
+
+## Phase 0 — 打底（1-2 週，單使用者優先）
+
+**目標**：把「學習」從抽象概念變成可建模資料。
+
+### 功能項目
+- [ ] 擴充 schema：`confidence`、`freshness`、`sourceType`、`sourceSessionId`
+- [ ] 在 `metadataJson` 預留 optional `userId`、`teamId`（不強制）
+- [ ] 為 feedback / memory / episode 對齊 metadata 結構
+- [ ] 新增 memory citation 欄位
+- [ ] 定義 episodic task memory schema
+- [ ] 擴充 `memory_effectiveness` 輸出 learning-specific metrics
+
+### 驗收標準
+- 可以區分 project/global 記憶
+- 在提供 user/team metadata 時可正確保留並查詢
+- 可以追蹤 memory 來源與新鮮度
+- 可以記錄一次任務的 outcome 與驗證結果
+
+---
+
+## Phase 1 — 使用者可感知的偏好學習（2-4 週）
+
+**目標**：先讓使用者明顯感受到「系統開始懂我」。
+
+### 功能項目
+- [ ] 建立 preference aggregation engine
+- [ ] 新增 `/remember`、`/forget`、`/what-did-you-learn`
+- [ ] 將 preference 與 decision 分層注入 prompt
+- [ ] 根據 feedback useful/wrong 調整 preference confidence
+- [ ] 提供「本回合用了哪些記憶」可視化說明
+
+### 成功指標
+- 使用者重複交代偏好的次數下降
+- `memory_feedback_missing` 中 preference 類別比例下降
+- `memory_feedback_useful` 正向率提升
+
+---
+
+## Phase 2 — 成功經驗學習閉環（3-5 週）
+
+**目標**：讓系統不是只有記住結果，而是記住「怎麼成功」。
+
+### 功能項目
+- [ ] 記錄 task episodes（goal、tools、edits、validation、outcome）
+- [ ] 從成功 episode 萃取 success patterns
+- [ ] 建立 retry/recovery evidence model 與 signal ingestion（OpenCode/OMO）
+- [ ] failure taxonomy 與 policy hints（學習層）
+- [ ] 將 success patterns 納入 recall 與任務前置建議
+
+### 成功指標
+- retry-to-success ratio 改善
+- 同類型任務平均修復時間下降
+- test/type/build 失敗後的二次成功率上升
+
+---
+
+## Phase 3 — 記憶治理與可信度（2-4 週）
+
+**目標**：讓學習能長期累積而不失真。
+
+### 功能項目
+- [ ] citation-backed memory validation
+- [ ] stale memory 降權與 refresh 流程
+- [ ] conflict detection（偏好互斥、決策過期、策略衝突）
+- [ ] weekly consolidation / review job
+- [ ] 高風險規則升級需人工確認
+
+### 成功指標
+- stale-memory incident rate 下降
+- wrong-memory feedback rate 下降
+- memory recall precision 提升
+
+---
+
+## Phase 4 — 自適應與產品化（4-8 週）
+
+**目標**：讓 OpenCode 在不同專案與團隊中越跑越順。
+
+### 功能項目
+- [ ] feedback-driven ranking / routing weights
+- [ ] task-type aware injection policy
+- [ ] learning dashboard / weekly summary
+- [ ] regression evals for learning quality
+- [ ] A/B framework 驗證學習功能是否真的提高效率
+
+### 成功指標
+- repeated-context reduction 顯著改善
+- clarification-turn reduction 顯著改善
+- learning-applied tasks 成功率高於 baseline
+
+---
+
+## 優先級清單（先做什麼）
+
+### P0
+1. schema 擴充（confidence/freshness/source/citation；user/team 為 optional metadata）
+2. preference aggregation
+3. explicit memory UX（remember / forget / what-did-you-learn）
+4. episodic task memory schema
+5. retry/recovery evidence model（整合 OpenCode/OMO 訊號）
+
+### P1
+6. success pattern extraction
+7. citation validation + stale decay
+8. learning dashboard
+9. feedback-driven ranking
+10. 條件式 user/team precedence（僅在多使用者需求成立時）
+
+### P2
+11. checkpoint / resume intelligence（整合式）
+12. weekly review automation
+13. A/B evaluation framework
+14. trajectory relabeling / hindsight replay
+
+---
+
+## 建議實作順序
+
+如果只能選最有感的前三件事，建議依序做：
+
+1. **Preference aggregation + explicit memory UX**
+   - 最快讓使用者感受到「你有記住我」。
+2. **Episodic task memory + success pattern extraction**
+   - 最快讓 agent 呈現「同類問題第二次更會做」。
+3. **Citation-backed memory + stale decay**
+   - 避免系統越學越亂，先把可信度守住。
+
+---
+
+## 完成後的理想體驗
+
+當 roadmap 的前兩階段完成後，使用者應明顯感受到：
+
+- 不用一直重講偏好與工作方式
+- AI 會自動沿用團隊慣例與最近成功路徑
+- 遇到類似問題時，修復更快、亂試更少
+- AI 能說清楚「我是根據哪些過往經驗這樣做」
+- 記憶錯了可以被修正，久了不用的知識會自然退場
+
+這才是從「有 memory」走向「會學習」的關鍵差別。