超越 RAG：Memobase 為 AI 應用注入長期記憶丨社群來稿

本文由 RTE 開發者社群成員透過社群網站投稿提供，如果你也有與實時互動（Real-Time Engagement，RTE）相關的專案分享，歡迎訪問網站 rtecommunity.dev 釋出，優秀專案將會在公眾號釋出分享。

目錄

什麼是 AI 記憶？

AI 記憶的型別

短記憶 vs. 長記憶

User Memory vs. Agent Memory：兩種記憶，兩種側重

記憶 vs. RAG：到底有什麼區別？

為什麼 AI 應用需要記憶？

現在的長記憶方案有哪些？

記憶設計機制對比

現有記憶方案的常見問題

Memobase：為 AI 原生應用打造的長記憶解決方案

為什麼選擇 Memobase？

Memobase 的核心功能

Memobase 的應用場景

大模型廠商的記憶服務 vs. 第三方提供商如 Memobase，該如何抉擇？

🚀 即刻啟程，為你的 AI 產品注入長記憶

你是否也曾對 AI 聊天產品的 “健忘症” 感到抓狂？聊了幾句之後，它就忘了你是誰或者聊過什麼？又或者，你正在開發一款 AI 應用，希望能加入 長期記憶功能 ，卻不知從何下手？

其實，現在的很多 AI 產品團隊都面臨著同樣的問題。如今大多數 AI 應用大多缺乏長期記憶，導致使用者體驗冷冰冰的、缺乏人情味。

Memobase 正是為了解決這個問題而生的：作為一個開源的記憶解決方案，我們希望可以徹底改變 AI 應用記憶和理解使用者的方式，讓你的 AI 產品可以提供更貼心、更溫暖、更懂你使用者的互動體驗。

在這篇文章中，我們將探討：

• 什麼是 AI 長記憶？

• 它為何重要？

• Memory 和 RAG 的區別

• User memory 和 Agent memory 的區別

• 現有解決方案的特點及其不足之處。 現有的解決方案有哪些，他們各自的優劣勢，以及如何判斷它是否適合你的 AI 應用

什麼是 AI 記憶？

簡單來說，AI 記憶可以看作是 AI 當前有限上下文的一種擴充。在產品的整個生命週期中，使用者或者 agent 可能會產生海量的資料，甚至達到數百萬到數千萬條，然而 AI 大模型能夠處理的上下文是有限的，通常在 8K 到 128K tokens。這就意味著，僅靠 AI 自身的上下文處理能力，是無法完全應對如此龐大的資料量的。

因此，為了實現產品的完整功能，就需要引入一些額外的機制。例如，現在比較常見的對話 session 機制，就是透過重新開啟對話視窗來清空之前的對話內容。但這種方式在一定程度上會導致資訊的丟失。

AI 記憶的核心目標是在儘量減少資訊損失的前提下，讓產品能夠容納的上下文近乎無限。它就像是為 AI 開啟了一扇通往更廣闊資料世界的大門，使得 AI 能夠更好地處理和利用海量資料，從而提升產品的效能和使用者體驗。

AI 記憶的型別

短記憶 vs. 長記憶

短記憶：就像電腦的記憶體，負責儲存當前對話中的資訊，幫助 AI 理解使用者的實時意圖。例如，使用者問 “第二個選項怎麼樣？”，AI 需要記住之前討論過的選項才能給出合適的回答。

短記憶的特點：

• 維持當前對話的上下文，通常只針對一個會話。

• 依賴對話歷史或會話狀態實現。

• 受限於 token 長度（通常 4k 到 32k tokens）或會話時長。

• 會話結束後，自動清空。

長記憶： 就像電腦的硬碟，負責儲存使用者的身份、偏好、歷史互動等資訊，讓 AI 產品能夠像個知己一樣，在每一次互動中都能更貼心更有溫度。例如，AI 可以記住使用者喜歡簡單的解釋，在某些事情上遇到過困難等等。

長記憶的特點：

• 跨會話儲存：不侷限於當前對話。

• 需要結構化儲存和高效的檢索機制。

• 用於儲存模式、偏好和歷史互動資訊。

• 需要定期更新和維護。

User Memory vs. Agent Memory：兩種記憶，兩種側重

AI 的記憶系統可以針對兩個物件設計：User Memory 和 Agent（智慧體）Memory 。它們的功能各不相同，但目標都是提升使用者體驗。

User Memory：理解使用者，建立 “個人檔案”

使用者記憶的重點是圍繞每位使用者建立詳細檔案，從而記住他們的偏好、個性化需求和關鍵事件。

組成部分 ：

• 使用者畫像： 包括基本資訊（年齡、興趣）、偏好、關係網路等。

• 應用場景資料： 比如心理諮詢應用中使用者的性格特質，或者教育應用中使用者的學習風格（比如 “視覺型”）。

• 關鍵事件： 比如某使用者的健身計劃開始日期，或某段感情關係的變化。

示例程式碼：

const userMemory = {    profile: {        learningStyle: 'visual',        technicalExpertise: 'beginner',        preferredExamples: 'real-world'    },    events: [{date: '2025…', emotion: 'happy', learn: 'Memobase, a user-profile memory backend…'},{date: '2025…', emotion:...}    ]};

適用場景： 需要高度個性化體驗的應用，尤其是 2C 的應用，比如教育，筆記，陪聊，虛擬伴侶，遊戲等泛娛樂類的應用。

Agent Memory： 則側重於 AI Agent 自身的學習與能力發展。它相當於為 AI 構建自己的記憶庫，包括比如：

• 工作流程記憶：回憶多步驟流程、API 呼叫以及與環境的互動，使其能夠更高效地完成任務。這與開發者隨時間積累程式設計技能頗為相似。

• 技能積累：學習特定技能，如程式設計、資料分析或影像識別，以應對日益複雜的任務。

• 錯誤日誌：記住過去的錯誤，避免重複，並持續提升效能。

示例程式碼如下：

const agentMemory = {    personality: {        communicationStyle: 'friendly_professional',        expertiseAreas: ['technical_support', 'onboarding'],        responseFormat: 'step_by_step'    },    skills: {       Github_PR_Merge: 'When I merge a PR, I should use rebase rather than merge…',       Buy_Flight_Tickets: 'I should first search for the starting location and landing location on Google, then select booking.com because I have the permission to …'…    }};

Agent memory 更傾向於最佳化工作流程，適合生產力、服務與自動化類應用，例如客服機器人，生產力工具和智慧助手。

記憶 vs. RAG：到底有什麼區別？

嚴格來說，記憶是 RAG（Retrieval-Augmented Generation）的一個子集。兩者都需要從外部提取資訊並融入到 AI 的生成提示中，但它們的應用場景和目標差異明顯。

核心區別：

1.規模和範圍

• RAG： 用於在大型文件集合中檢索資訊（如公司 Wiki、技術文件等）。

• 記憶： 專注於從使用者互動中管理個性化資訊，尤其是多使用者環境。

2.資訊密度

• RAG： 處理密集型的非結構化資料，比如文字或表格，通常用於事實檢索。

• 記憶： 處理多會話的使用者/Agent 資料，更注重互動體驗。

3.檢索方式

• RAG： 藉助語義搜尋和嵌入式檢索，匹配精確文件。

• 記憶： 傾向於總結和壓縮互動中的關鍵點，最佳化上下文體驗。

如何選擇？

• RAG 更適合： 搜尋大規模知識庫（如內部文件或技術資料），需要高度準確性和擴充套件性。

• 記憶更適合： 管理使用者個性化資訊，提升多會話的連續體驗。

總之，RAG 和記憶並不是非此即彼的互斥關係，而是互補的工具。RAG 解決的是廣泛的知識檢索問題，而記憶的目標是讓 AI 具備貼心的個性化互動能力。如果你想打造一款能記住使用者需求、提供真正個性化服務的 AI 應用，記憶無疑是不可或缺的一環。

一個簡化的知識分層框架

為了更好地理解記憶和 RAG 的區別，我們可以將知識分為三個層次：

• 通用知識： 通常已經內嵌入基座模型之中。

• 組織知識： 內部文件和資料集，通常使用基於向量資料庫的 RAG 。

• 使用者特定知識： 以使用者為中心的資訊，需要作為使用者和 AI 產品互動的上下文，這就是記憶不可或缺的地方。

啥時候用 RAG？

如果你的應用需要在大型知識庫中進行精確搜尋，例如公司內部維基、技術文件或大量資料集，那麼 RAG 會是你的首選。

啥時候用記憶？

如果你關注的是長期互動，尤其是資訊密度較低的對話資料（例如，總結一系列聊天），那麼記憶是更好的選擇。

為什麼 AI 應用需要記憶？

我們已經瞭解到，AI 能夠利用各種型別的知識，從海量的全球資料到公司特定的資訊，但 使用者級記憶 的真正價值在於，它可以讓 AI 更加智慧和貼心。為什麼記憶對 AI 應用這麼重要？讓我們一起來看看：

1. 個性化互動

想象一下，一個 AI 助手不僅能記住你的興趣愛好，還能記得你喜歡的笑話風格。每次跟你聊天時，它都能聊到點上，讓你感覺它更像一個真正的朋友，而不是冰冷的機器。這種個性化的體驗，不僅更有趣，也讓使用者更願意長期使用。

2. 上下文連貫性

如果你告訴 AI 聊天產品：“我今天想吃漢堡和薯條。” 普通的 AI 可能會直接給你推薦附近的餐館。但一個有記憶的 AI 可能會提醒你：“可你不是說要鍛鍊三個月練出六塊腹肌嗎？” 這樣的互動不僅更聰明，也讓使用者覺得 AI 更懂自己。

3. 節約成本

我們參與的一個聊天機器人專案，在引入 Memobase 後，透過從 32K 切換到 8K 上下文視窗模型，把大語言模型（LLM）的成本降低了多達 70-75% 。因為 Memobase 可以有效地管理使用者特定知識，而無需在輸入提示中不斷重複冗長的對話歷史記錄。這種最佳化不僅節約了資源，還讓應用執行得更快。

總結一下，記憶不僅僅是一個錦上添花的功能，它是讓 AI 從普通的工具變成真正有溫度的助手的關鍵。而像 Memobase 這樣的專業解決方案，可以幫助你有效管理大規模使用者的長記憶。

現在的長記憶方案有哪些？

隨著 AI 技術的發展，很多長記憶方案被設計出來以提升使用者體驗。接下來，我們一起看看這些方案的優缺點，以及它們各自適用的場景。

記憶設計機制對比

這裡我們以一個表格的形式，對比現在最主流的記憶設計機制：

下面是一個具體的例子，幫助大家理解這幾種記憶機制的區別：

現有記憶方案的常見問題

儘管市面上有很多記憶解決方案，但它們往往存在一些侷限性。LangGraph 團隊總結得很好：

“目前的大多數 ‘智慧體記憶’ 產品都太通用化了。試圖滿足所有需求，結果卻沒有一個能真正解決使用者的痛點。”

如果你計劃為自己的應用增加記憶功能，以下幾個問題值得認真思考：

1. 記憶系統會記住哪些內容？

你清楚系統會記錄什麼嗎？很多現有方案並不允許開發者決定記什麼、不記什麼。但不同的 AI 應用對記憶的需求完全不同，比如：

• 一個老師的 AI 助手需要記住學生的學習習慣；

• 一個虛擬秘書需要記住會議日程；

• 一個陪伴型 AI 則更關注你的興趣和情感狀態。

然而，現在許多解決方案完全依賴 AI 來決定記錄什麼。這種做法要麼會導致 過度記憶（無用資訊太多，成本飆升），要麼會 遺漏重點（關鍵資訊沒被記住）。

2. 增加記憶功能會影響效能嗎？

有些記憶系統要求在使用者互動過程中實時更新記憶（比如透過函式呼叫或工具操作）。這種方式可能導致：

• 效能下降： AI 同時處理記憶更新和使用者互動，效率低下；

• 提示覆雜： 為了管理記憶，提示詞會變得複雜難懂，難以最佳化和除錯。

更高效的解決方法是將記憶功能解耦——也就是讓記憶成為一個獨立的儲存層，專門負責記憶的讀寫操作，而不干擾 AI 產品的主要互動職責。

3. 記憶功能會不會增加太多成本？

記憶不是免費的，更新和管理記憶需要消耗額外的計算資源。常見的兩種更新機制：

• 實時更新（Hot-Path Update）： 每次使用者互動後立即更新記憶。這種方式可以保證記憶是實時的，但會：

  • 增加延遲： 等待記憶更新會拖慢響應速度；
  • 提高成本： 更新頻繁，計算資源需求更大。

• 批次更新（Batch Update）： 會話結束後統一處理記憶更新。這種方式更經濟：

  • 減少延遲： 使用者體驗更流暢；
  • 節約成本： 批次處理更高效。

其實，大多數場景下並不需要實時更新記憶，因為 AI 本身可以暫時記住當前對話的上下文。只要確保下次使用者互動前，記憶能被正確更新就足夠了。所以，對於使用者記憶來說，批次更新 往往是更合適的選擇。

總結

雖然目前有許多 AI 記憶解決方案，但大多數都存在定製化不足、效率低下或成本高昂的問題。那些一刀切的方法、複雜的函式呼叫以及實時更新的弊端表明，開發者需要更靈活、更實用的解決方案。我們 Memobase 團隊堅信以使用者為核心設計、優先採用批次更新以及儲存層解耦的理念，相信這對大部分 AI 應用，尤其是 2c 應用，是更高效更實用的記憶方案。

Memobase：為 AI 原生應用打造的長記憶解決方案

透過深入分析現有的 AI 記憶方案，我們發現了一個明顯的問題：當前的大多數解決方案在構建一個高效、靈活、可控的記憶系統上捉襟見肘，無法滿足大多數 AI 原生應用的需求。這也是為什麼我們開發了 Memobase，希望可以填補這個記憶解決方案的空白，幫助 AI 產品團隊打造全新一代的 AI 原生應用。

為什麼選擇 Memobase？

Memobase 不只是一個普通的記憶解決方案。它是一種全新的理念，專門用來解決傳統 AI 記憶的限制：

1. 基於使用者檔案的強大系統

雖然 “使用者檔案記憶” 的概念已經存在，但卻缺乏真正強大、易用的開發者友好型工具，能充分釋放其潛力。Memobase 則正是為了解決這一問題而生。

2. 靈活定製，讓產品團隊掌控記憶

我們深信，AI 產品團隊應該對儲存的資料以及其組織方式擁有完全的掌控權。Memobase 的靈活架構讓你可以根據應用需求，自定義記憶結構。

3. 記憶分層：減負提效

Memobase 將記憶當作一個獨立的儲存層，而不是讓 AI 在每次互動時都實時更新記憶。這種解耦的設計不僅提升了效能，還降低了成本，同時簡化了開發流程。

4. 核心設計：批次處理

Memobase 支援批次處理，以非同步方式更新記憶。即便你的應用需要服務大量使用者，它也能保持快速響應。

Memobase 的核心功能

📁 Profile-based 的架構

• 結構化儲存，易於理解和檢索： Memobase 圍繞使用者 profile 構建記憶，提供清晰的結構，便於儲存和呼叫資訊。

• 量身定製： 你可以根據自己產品需要自定義 profile 結構。例如，健身應用可以儲存使用者的鍛鍊歷史、飲食偏好和健身目標，而語言學習應用則可以記錄詞彙進度、語法熟練度和學習偏好。

• 隨使用者成長動態調整: 隨著 AI 對使用者瞭解的深入，profile 內容可以動態更新和擴充套件，提供更個性化的體驗。

🔐 隱私與安全

• 資料所有權： Memobase 讓你完全掌控使用者的資料。你來決定儲存什麼、怎麼用以及保留多久。

• 隱私至上： 內建的隱私保護功能確保符合 GDPR 等資料隱私法規。

• 審計與監控： 提供了工具來監控記憶使用情況、跟蹤變化並確保資料完整性。

🌐 可擴充套件性與高效能

• 可擴充套件性： Memobase 可以輕鬆支援數百萬使用者，並隨你的應用擴充套件而無縫擴充套件。

• 資料庫級的效率： Memobase 借鑑成熟的資料庫設計原則，確保快速、高效的資訊儲存和檢索。

• 最低延遲： 經過效能最佳化，確保 AI 能在毫秒級別訪問所需資訊。

🤖 開發者友好

• 簡單易用的 API： Memobase 提供乾淨、直觀的 API，方便與現有工作流整合。

• 內建批次處理： 不用你自己構建非同步更新機制，Memobase 已為你打包好所有必要功能。

• 豐富的文件與支援： 我們提供詳細的文件和支援社群，幫你快速上手。

🚀 內建記憶模板

• 利用最佳實踐： Memobase 的模板融入了來自教育、虛擬伴侶、遊戲等領域的最佳實踐，為主流 AI 產品品類預設了一系列高效的記憶模板。

• 快速開發，專注創新： 透過直接使用模板，你可以節省時間，將精力集中在打造應用的核心差異化功能上。

• 示例： 比如，AI 伴侶模板可能會包含預定義的欄位，像個性特徵、使用者興趣（書籍、電影、音樂、愛好）、關係歷史（重要日期、共享經歷）、溝通風格偏好，甚至還有內部笑話。它還可以建議根據對話更新記憶的方法，比如情感分析來衡量使用者的情緒狀態，主題提取來識別關鍵討論點。你可以直接使用這些模板，或者根據自己的特定需求進一步定製它們。

為了給你一個更直觀的體感，下面是從我們的一個模板中摘錄的一段，大致展示了可以儲存的資訊類別。

- topic: "Special Events"description: "使用者生活中的重大事件和里程碑。"sub_topics:- name: "Anniversaries"description: "結婚紀念日、戀愛紀念日等。"- name: "Trips"description: "使用者和 AI 伴侶一起進行的旅行。"- name: "Date Plans"description: "關於未來約會或外出的計劃和討論。"- topic: "Relationships"description: "記錄使用者的關係資訊，特別是和 AI 伴侶的關係。"sub_topics:- name: "Marital Status"- name: "Friendships"- name: "Family Relationships"- topic: "Personality"description: "記錄使用者的個性或偏好的他人個性特徵。"sub_topics:- name: "User Personality"- name: "Preferred Personality"description: "AI 伴侶的偏好個性特徵（例如，溫柔、冷靜、有點受虐傾向、外表冷漠但內心熱情、忠誠）。"- topic: "Basic Information"sub_topics:- name: "Birthday"- name: "Age"- name: "Occupation"- name: "Habits"- topic: "Interests and Hobbies"sub_topics:- name: "History"- name: "Fortune Telling"- name: "Food"- topic: "Important Memories"description: "收集事件的記憶，例如生病，每個事件類別都有子型別。"sub_topics:- name: "Illness"- name: "Final Exams"- name: "..."

Memobase 的應用場景

Memobase 立志幫助 AI 原生產品打造更貼心更有溫度的產品。我們在與多家頭部 AI 應用的種子客戶深入合作，這些應用涉及 AI 虛擬陪伴，AI 教育、AI 遊戲等等。在這些合作中，這些合作中我們不僅共同開發並完善 Memobase 的功能，還幫助我們打磨了最佳實踐的記憶模板。以下是 Memobase 的一些典型應用場景：

🎓 AI 虛擬陪伴：建立更深層的連線

• 個性化互動：讓你的 AI 虛擬陪伴產品能夠好的記住使用者喜好、生活事件和對話內容的 ，給使用者更貼心更溫暖的互動體驗。

• 高情商回覆：記錄使用者的情緒狀態變化，讓產品能夠調整自己的回應。比如當使用者經常表現出低落情緒時，為使用者提供適當的支援或鼓勵。

• 共同成長：打造與使用者一同成長和進化的產品，逐步積累共同的經歷，深化彼此的情感連線。

🛎️ 教育平臺：個性化學習

• 詳細學生檔案： 包括學習風格、優點、缺點、進步速度等，把教育體驗根據每個學生的獨特需求來量身定製。

• 個性化課程： 根據學生的表現動態調整課程。比如學生在某個領域很厲害，AI 就能引入更高階的概念，或者跳過他們已經掌握的內容。

• 精準幫助： 找出學習上的漏洞，及時干預。要是學生在某個概念上卡殼了，AI 就能提供額外的練習、其他的解釋方式，或者給他們找些相關的資源。

✍️ AI 遊戲：打造沉浸式體驗

• 有記憶的 NPC ： 為 NPC 新增記憶功能，讓他們能夠記住玩家的行為，增加真實感。比如，一個商店老闆記住了你的購買記錄，一位任務釋出者記得你的功績，或者一個競爭對手根據你的玩法調整策略。

• 動態敘事： 根據玩家的選擇和行動來編織故事。Memobase 能存玩家旅程的詳細歷史，讓遊戲生成個性化的故事線和劇情。

🏥 AI 筆記和情感療愈

• 深入洞察： AI 可分析日記內容，發現模式、反覆出現的主題和情感趨勢，給使用者對自己想法和感受的寶貴洞察。比如，一款應用可能發現你在缺乏運動的日子情緒較低，或者某些主題總會引發焦慮情緒。

• 個性化反思： AI 能找出相關的過往條目，幫使用者反思個人成長、追蹤目標進度，或者從新角度看待當前的挑戰。

• 動態干預： AI 能根據使用者當前的情緒狀態和過往經歷來調整回覆和干預方式。比如使用者要是正經歷某種情緒問題，AI 就能想起之前成功的應對策略，或者引導他們做些穩定情緒的練習。

大模型廠商的記憶服務 vs. 第三方提供商如 Memobase，該如何抉擇？

不少朋友可能會有這樣的疑問：大模型廠商會不會自己推出記憶解決方案呢？我們的答案是：也許會。

據我們瞭解，目前大多數大模型廠商尚未推出獨立的記憶服務，只有比如位元組在小規模測試豆包的記憶方案。即使未來他們推出了相關解決方案，像 Memobase 這樣獨立且專注的記憶服務仍然是不可或缺的，其原因主要有以下幾點：

1. 擺脫供應商鎖定，保持靈活性

• 與不同基座模型的相容： 大部分 AI 產品團隊希望保持靈活性，不和單一大模型廠商深度繫結。他們希望根據具體需求選擇最合適最便宜的基座模型，甚至隨著技術演變隨時切換。Memobase 提供了完全獨立的記憶層，無論你使用哪種基座模型都能完美相容。

• 解耦記憶層： 透過將記憶管理與基座模型解耦，Memobase 讓你的開發團隊可以快速獨立性構建記憶管理功能，並不對任何基座模型有依賴關係。

2. 聚焦於記憶，功能更強大

• 聚焦 AI 記憶： 打造最優質的記憶解決方案是 Memobase 的核心願景，而不是幾十甚至上百個功能之一。這使我們能夠聚焦解決 AI 記憶的問題，這種專注使我們可以打磨出更具創新性、更高效的解決方案。

• 經過驗證的效能： 在和我們種子使用者的測試中，Memobase 的效能已超越對比基座模型廠商提供的記憶方案。

• 記憶對大模型廠商的優先不高： 大模型廠商更多關注於擴充套件模型能力和提升通用效能，大多數大模型廠商現在的估值讓他們無法聚焦記憶，給記憶功能分配較高的優先順序和投入大量的資源。

3.開源的力量

• 公開透明： 大多數大模型廠商提供的記憶功能，已經部分第三方的記憶方案是閉源的或者是黑盒模式運作，Memobase 是完全開源的。

• 社群驅動： 開源的方式鼓勵社群參與和貢獻，同時讓開發者可以根據自己的需求對 Memobase 進行定製和擴充套件。

• 快速迭代創新： 開放協作的開發模式讓創新速度更快，為每個人打造出一個更強大、更靈活的記憶解決方案。

🚀 即刻啟程，為你的 AI 產品注入長記憶

想為你的 AI 產品快速加入長記憶功能，讓她提供更貼心更溫暖的使用者體驗嗎？以下是幾種快速入門方式供你選擇：

1.瀏覽我們的 GitHub 倉庫（https://github.com/memodb-io/memobase）：深入瞭解 Memobase 的工作原理。

2.檢視完整文件（https://docs.memobase.io/）：我們的文件包括簡單易懂的分步教程，幫助你輕鬆上手整合 Memobase。

3.加入我們的微信群： 與其他開發者交流，分享你的問題和反饋。也可以透過下面的二維碼掃碼入群，也可以新增 Memobase 團隊小夥伴的微信：zhao-hanbo

Memobase 是開源專案，歡迎你貢獻程式碼、改編專案，或基於它開發屬於自己的解決方案。現在就開始著手打造更智慧、更個性化、靠記憶驅動的 AI 應用吧！

以上資訊由 RTE 開發者社群成員透過社群網站投稿提供，如果你也有與實時互動 ( Real-Time EngagementRTE) 相關的專案分享，歡迎訪問網站 rtecommunity.dev 釋出，優秀專案將會在公眾號釋出分享。同時還有 RTEMeetup demo 分享、《編碼人聲》播客錄製、RTE Open Day 展位優先申請等機會。

有意投稿者請聯絡微信 creators2022 請備註身份和來意。