先筛选旧 AI 中带明确溯源、高置信度的有效记忆，排除错误或无依据内容；按作用域分类整理时保留原始时间、来源等元数据；分批次导入新 AI，最后验证记忆的可追溯性与准确性，避免错误信息迁移。
适用场景为更换 AI 工具时，不想从零积累对话与知识，需保留有价值的历史内容且排除错误信息；不适用情况包括旧 AI 记忆本身混乱无有效分类、新 AI 无记忆承载能力，或仅需临时对话无需长期记忆，以及迁移耗时可能影响紧急任务执行的场景。
多数人会全量复制旧 AI 记忆，但实际上只有带明确交互来源、时间戳的内容才具备可迁移性，无依据的主观生成、矛盾结论或置信度低于 60% 的内容需直接排除，这一步核心是“只留有明确溯源的高价值信息”，而非无差别复制。
多数人会按内容主题分类，但更关键的是将记忆分为“个人日常参考”“专业领域记录”“待验证信息”三类，同时标注每条内容的原始作用域，比如“2024 年 10 月项目预算讨论”属于“专业领域记录”，这会影响新 AI 后续对记忆的调用优先级，避免场景混淆。
多数人会只复制记忆内容本身，但实际上原始时间戳、来源标识是后续验证记忆有效性的核心，缺失这些元数据的记忆会被新 AI 判定为无溯源信息，无法进入长期记忆池，因此导出时必须同步保留每条记忆的元数据，不能仅提取纯文本。
多数人会一次性全量上传，但实际上分批次导入可降低新 AI 处理负荷，减少错误识别概率，比如先导入“个人日常参考”类，再导入“专业领域记录”类，每次导入不超过 10 条，导入后等待新 AI 处理完成再进行下一批，避免不同场景记忆混淆。
成因是未提前排查低置信度或矛盾内容，表现为新 AI 出现与旧记忆矛盾的结论，比如旧 AI 曾生成错误专业数据，迁移后新 AI 仍会引用该错误；绕过去的方法是在筛选时增加“矛盾内容对比”环节，只保留一致且有明确溯源的内容，排除主观生成的错误信息。
成因是只关注内容本身，未意识到元数据的重要性，表现为新 AI 无法识别记忆的来源和时间，导致记忆无法被有效调用；绕过去的方法是在导出时强制保留每条记忆的时间戳和来源，手动补充缺失的元数据，比如标注“来自 2024 年 10 月用户与 AI 的对话”。
成因是追求效率忽略分批的重要性，表现为新 AI 处理记忆时出现卡顿或识别错误，多条记忆混在一起导致作用域混淆；绕过去的方法是按作用域分批次导入，每次导入不超过 10 条，导入后等待新 AI 处理完成再进行下一批，降低处理负荷。
这件事在 OneOneTalk 中可通过其可验证长期记忆机制承接，该机制要求每条记忆带来源、时间、置信度、作用域，支持人工纠错，能满足筛选有效记忆、分类整理的需求；当前产品的受委托执行并留回执机制，可辅助用户确认记忆的调用情况，但分级审批机制暂不直接适用于记忆迁移场景，这一层我们还在做针对多 AI 记忆迁移的适配工具，眼下只能靠用户手动完成筛选、分类、导入的核心动作，利用现有记忆溯源能力验证迁移结果。