browser memories通过检索用户72小时内高权重行为（如重复访问、长停留、深度滚动等），提取语义锚点注入上下文向量，实现动态、实时的个性化推荐，而非依赖静态用户画像。
Browser Memories如何影响个性化推荐
当你在ChatGPT Atlas中连续查看三篇Python调试技巧文章、两次搜索“vscode远程连接超时”，又在招聘网站停留超过4分钟浏览DevOps岗位，这些行为不会被当作孤立事件处理——Browser Memories会将它们编织成一条隐性线索，直接改写你下一次打开新网页时的推荐内容。
记忆如何被激活并作用于推荐流
第一步：打开任意新标签页或输入搜索词→第二步：Atlas自动检索Browser Memories中最近72小时内的高权重行为（如重复访问、停留超90秒、滚动深度＞85%、点击“保存到稍后读”）→第三步：将匹配度最高的3类记忆片段注入当前上下文向量，而非简单叠加历史URL。
例如，你上周五在GitHub查看过一个Rust WebAssembly项目，昨天又打开了WebAssembly性能对比报告PDF。此时即使你只在地址栏输入“wasm”，Atlas首页推荐区会优先展示Rust+Wasm部署教程、本地调试工具链配置指南，而不是泛泛的“什么是WebAssembly”科普文。
【关键前提】该功能仅在设置→隐私与安全→浏览器记忆中开启“启用记忆”且未处于隐身模式时生效。关闭后所有记忆条目立即清空，无法恢复。
两类记忆源对推荐结果的差异化影响
方法一：用户画像（Profile）驱动的推荐
基于注册时填写的职业、技术栈偏好、常用语言等静态信息生成初始推荐池。这类推荐稳定但滞后，比如你刚转岗做AI产品经理，画像仍显示“前端工程师”，推荐内容会持续偏向前端工具链两周以上。
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
方法二：检索记忆（Retrieval Memory）驱动的推荐
从你过去30天内真实交互过的网页中提取语义锚点（如“LLM推理延迟”“vLLM量化部署”“CUDA 12.4兼容性”），实时构建动态兴趣图谱。只要你在某篇博客中长按划选了“flash attention 3”并点击“问ChatGPT”，这个词组就会成为未来三天内所有推荐的强加权因子。
注意：检索记忆不存储原始网页快照，仅保留经OWL层脱敏处理的关键词向量和行为强度标记（点击/停留/划选/提问），原始HTML内容不会上传至OpenAI服务器。
推荐偏差的显性化验证方式
在任意页面调出侧边栏→输入指令：“列出本次推荐所依据的3条记忆依据”→ChatGPT将返回结构化说明，例如：“① 2026-09-12 14:22 访问https://docs.vllm.ai/en/latest/models/llama.html（停留168秒，滚动至‘quantization’章节）；② 2026-09-14 09:07 在arxiv.org搜索‘tensor parallelism llama3’并打开第2篇论文；③ 2026-09-15 11:33 对PDF中‘PagedAttention v2’段落执行‘解释原理’操作”。
这一步能立刻验证当前推荐是否由真实行为触发，而非仅依赖画像推测。若返回内容为空或明显偏离近期操作，则说明记忆索引异常或权限被意外关闭。
