同样是使用 Claude，同样是涉及个人感情抉择上提问该不该给 "5000 万美元 "，为什么有人得到的建议是 " 不给 "，有人得到的建议却是 " 给 "？

智能体（Agent）有不同的 " 性格 "，这背后的一大关键要素，是 Memory（记忆）。在长期的使用中，智能体积累了与用户相关的诸多记忆，就会越来越 " 揣摩人心 " ——知道用户的习惯——怎样决策和工作，哪些要求不必反复解释。这个过程也可以被理解为 " 养成 " 或者 " 调教 "。

" 未来，每个人都会有一个 AI 智能体。" 比尔 · 盖茨曾在多个场合表达这个观点，这也是扎克伯格等科技大佬的看法。

过去，大模型主要学习人类留在互联网里的知识；而随着智能体真正开始 " 上班 " 以后，就像每一个职场人那样，如何保存记忆、提炼经验，成为一场考验。

基于此，Memory（智能体记忆）赛道的创业公司开始获得连续融资，腾讯等云厂商开始把长期记忆做进基础设施，商汤等大模型公司把它加速推向产品底层。

" 记忆 " 的困难发生在存储之后

人保存记忆靠大脑，Agent 保存记忆则靠日志。一开始的问题并不复杂，但 Agent 工作越来越久，它留下的东西越来越多。比如，一次代码运行会产生日志，一次失败后还有修改、重试和新的计划。如果只是把所有内容塞进越来越长的上下文里，一个 Agent 每往前走一步，都要重新背上一部分过去。

不过，存储现在并不是 Agent" 记忆 " 能力的障碍，" 记忆 " 的困难发生在存储之后。

据腾讯云数据库副总经理罗云介绍，数据库行业已经发展几十年，分片、副本、冷热分层都不是新的工程问题；至少以今天 Agent 产生的信息规模，存储容量还远没有成为最主要的限制。

罗云进一步指出，智能化地选择哪些 Tokens（词元）是重要的。

和过去几年大模型追求更多参数、更多训练数据、更长的上下文不同，Memory 要解决的是一个反面问题——为什么还要重新读取这一段。人会 " 凝炼 " 和 " 升华 " 自己的记忆，但 Agent 在这方面能力欠佳。

这也正是该领域内公司主攻的方向。今年 4 月，美国科技公司 Cloudflare 的 Agent Memory 进入私测，目标之一是让智能体保留真正重要的信息，同时避免把所有历史不断堆进上下文窗口。

不过，在要求模型从海量知识中准确提取并输出特定事实的能力测试任务中，完整上下文的效果仍然可能优于 Memory ——十万 Tokens 被压缩成几千 Tokens 之后，一些可能重要的细节会消失。

这就带来了一个问题，当用户需要让大模型 " 记住 " 新知识时，到底该把知识 " 刻在脑子里 "，还是 " 记在笔记本上 "？

据传神语联研发总监吕华介绍，参数化记忆（刻在脑子里）更适合在容错率很低，或对模型推理响应速度要求极高的场景，例如终端物联网设备、辅助诊疗决策等。而绝大多数企业问答、客服、文档总结等场景，只需要用 RAG（检索增强生成）即可。

记忆污染与指令冲突更具挑战

" 保留重要信息 " 不是 Memory 最困难的部分，记忆污染与指令冲突带来的挑战更难克服。

PilotDeck 是由清华大学 THUNLP 实验室、面壁智能、OpenBMB 与 AI9stars 联合开发的一款开源智能体操作系统。PilotDeck 项目负责人、启元实验室副研究员、清华 THUNLP 实验室客座研究员闫宇坤在受访时举例称，用户希望 Agent 能够跨几十轮对话，保持小说的世界观、人物关系和用户反馈，但如果这些偏好没有边界，它又会污染其他任务。

" 什么时候要 follow（跟随）你前面的要求，什么时候要 follow 你后面的要求，Agent 会混乱掉。" 闫宇坤说。

简而言之，Agent 虽然记忆力很好，但如果缺乏有效的隔离机制和优先级判断，" 记忆 " 就会带来一笔糊涂账，导致其工作彻底混乱。Agent 在拥有了 " 过去 " 后，不仅要懂得在什么时候 " 记住 "，更要懂得什么时候 " 忘记 "。

OpenAI 在今年 6 月升级 ChatGPT Memory 时提到，关于 " 用户正在为下周六的生日派对做计划 " 的记忆，会随着周日的到来而流逝。OpenAI 称，新版系统会在后台综合多段对话，以应对记忆的陈旧性、正确性与规模问题，并强调记忆需考虑时间流逝。

北京邮电大学人工智能学院副院长张曼在受访时强调，要把聊天记录和 Memory 区分开，原始对话只是一条不断增长的数据流水，真正的 Memory 还要进一步抽象、压缩、分层、纠错、衰减和按需召回。哪些信息值得长期留存、哪些只是临时要求；用户已经明确改口以后，旧偏好什么时候退出；两条冲突的经验如何取舍——这些问题直到今天都没有完全解决。

商汤小浣熊家族负责人贾安亚也认为，目前，行业对于记住和遗忘的处理仍然相当工程化，按照时间淘汰、按照一段记忆被调用的次数判断重要性，都是现阶段可行的办法，但这些方法距离真正类似人类的记忆仍有差距。

" 现在，市场上没有最优的 Memory。现在 Agent 的 Memory 和真正的人类 Memory，其实相差还是比较大。" 贾安亚进一步透露，其团队正在探索一种类似 " 闪回 "（Flashback）的机制：定期把系统沉淀的用户记忆重新呈现给用户，由用户自己确认或修改。

" 记忆 " 如何最终变成生产力？

8 月 6 日，腾讯云旗下开源项目—— TencentDB Agent Memory 发布全新版本 Team Memory，将长期记忆能力从个人使用扩展到团队协作场景，团队成员与 Agent 协作过程中产生的对话、文档、代码库和工作方法，都可以保存为长期记忆被统一管理，再按角色和任务装配给 Code Buddy、Open Claw、Claude Code 等不同 Agent 使用。

据罗云介绍，此前，腾讯内部一名工程师转到一个新团队时，原本给自己留了大约三天的上手时间——即使用 AI，他也预计前一两天需要先读代码、熟悉项目，到第三天才能真正开始第一个任务。但借助团队 Memory 里已经保存的 Skills、代码关系图和过去的信息，他一天就完成了原本预计三天的准备和任务。

事实上，这是企业过去几十年一直试图解决的问题，一个人已经获得的经验，怎样低成本地交给另一个人。培训、SOP、Wiki 和知识库保存了大量显性知识，却很难记录一个高级工程师为什么面对某类报错先查 A 而不是 B。这些经验依附在人身上，人离开以后，一部分经验也随之流失。

以此为起点，Memory 成为 AI 经济账本中的一环。企业并不会因为一个 Agent 记得更多就天然愿意付更多钱，更多消耗不等于更多生产率，Memory 最终也要回答同一道题：留下这些过去之后，Agent 下一次是不是更好了？

吕华把企业为 AI 付费的本质概括成一个词：熟练度。一种情况是，企业没有专家，希望买到专家能力；另一种是，企业本来就有专家，希望把其专业能力沉淀下来。做一件事情调用什么工具、决策逻辑是什么、验收标准是什么，这些并不是通用大模型在预训练阶段天然知道的，却构成了一家企业自己的行为能力。

闫宇坤认为，理想的状态是，在 Agent 的使用过程中，低价值信息逐渐退出，高价值经验不断被提炼。

但记录过去是一件相对容易的事情，把过去变成经验就要困难得多。Agent 开始有机会参与一家企业如何工作，是 Memory 可能真正产生商业价值的地方。

过去几年，大模型公司争夺的是互联网已经留存下来的数据，它们是这个世界最终留下的静态成果，而 Agent 长期工作以后，过程、失败、选择、反馈和纠正，成为新的动态数据。

罗云把这看成两个飞轮，第一个是用户飞轮，一个产品用得越久，对用户越熟悉，用户也越容易觉得它比别的地方聪明；第二个是数据和模型飞轮，在用户授权的前提下，Agent 使用过程中产生的数据可能继续帮助模型优化。

定义和标准范式暂无行业共识

今年 3 月，Google 给 Gemini 增加了一项功能，从其他 AI 应用导入 Memory 和聊天历史。

Google 在产品说明中提到，只需几次点击，即可从其他服务商转移 AI Memory 和聊天记录，" 与其重新开始，不如快速让 Gemini 了解你最重要的背景和对话。"Anthropic 也开始支持 Memory 导入和导出，Claude 用户可以把其他 AI 服务整理出的 Memory 带进来，也可以把 Claude 已经积累的 Memory 导出去，用于备份或者迁移。

类似于过去手机厂商对 " 一键换机 " 的争夺，AI 企业也开始尝试 " 一键搬运 "AI 的过去。

当 " 记忆 " 开始沉淀 " 经验 "，它就不再是某个模型的 " 附属品 "，而是用户的 " 数字分身 " ——如果一个 Agent 已经和一家企业一起工作三年，里面留下的是项目历史、用户纠正、客户偏好、失败路径和团队的工作方式，换掉它的成本不再只是重新购买一个 API（应用程序编程接口）。

从技术上来说，迁移 " 记忆 " 是可行的。外部 Memory 并不天然绑定某一个模型。结构化规则、经验和向量数据理论上都可以迁移。

闫宇坤提到，问题在于整个行业没有对 Memory 的定义和标准范式形成共识。

张曼也认为，从技术上看，真正的问题是有没有统一的存储和适配标准，以及平台愿不愿意让用户搬走，" 如果行业没有统一的迁移标准、厂商封闭记忆数据，长期积累的私人记忆和工作经验，就可能成为新的平台壁垒。"

尽管 OpenAI、Google、Anthropic 都在做 Memory，腾讯云、阿里云、火山引擎也在布局记忆能力。但这些平台之间的 " 拉扯 "，给了独立 Memory 公司生存的空间。

如果 " 记忆 " 最终只是模型产品的一项默认能力，独立创业公司的空间可能不断被底座平台吸收；而如果企业越来越重视权限、备份、隔离、审计、跨模型迁移和数据主权，Memory 又可能像数据库一样，从模型里发展出一个单独的基础设施层。

专为 AI Agent 设计的开源智能记忆层服务—— Mem0 在去年末宣布完成两轮融资时，把其目标直接定义为构建 AI 的 Memory layer（记忆层）；今年，国内连续获得融资的记忆张量、Memora X 也都把长期 Memory 指向基础设施和模型之外的一层。

独立 Memory 公司押注的是 " 模型厂商不敢把记忆的所有权彻底交出去 "，但记忆的所有权理应从平台向用户转移。

每日经济新闻