每经特约记者：林晓 每经编辑：陈曦

在使用Claude等智能体时，面对个人感情抉择中的“5000万美元”决策，为何不同用户会得到截然不同的建议？有人被建议“拒绝”，而有人则被鼓励“接受”？这一差异背后，智能体的“性格”差异扮演了关键角色，而这一切的核心在于Memory（记忆）技术。随着智能体与用户的长期互动，它们逐渐积累了大量个性化记忆，从而能够更精准地“揣摩人心”——理解用户的习惯、决策方式及工作模式，减少重复解释的需求。这一过程，实质上是智能体的“养成”或“调教”过程。

“未来，每个人都会拥有一个AI智能体。”这一观点不仅由比尔·盖茨多次提及，也是扎克伯格等科技界领军人物的共识。随着智能体从理论走向实践，它们开始面临与人类职场人相似的挑战：如何有效保存记忆、提炼经验，成为提升智能体效能的关键。

在此背景下，Memory（智能体记忆）领域迅速崛起，成为科技创业的新热点。腾讯等云服务提供商正将长期记忆功能融入基础设施，商汤等大模型公司则加速将其推向产品底层，以期在智能体市场中占据先机。

记忆存储后的挑战：智能化筛选与提炼

人类依靠大脑保存记忆，而智能体则依赖日志。随着智能体工作时间的延长，其产生的日志数据量急剧增加。从代码运行日志到失败后的修改、重试计划，每一环节都可能产生大量数据。若简单地将所有内容堆砌在上下文中，智能体每前进一步都需背负沉重的记忆负担。

然而，存储容量并非当前智能体记忆能力的瓶颈。腾讯云数据库副总经理罗云指出，数据库行业已发展数十年，分片、副本、冷热分层等技术已相对成熟。至少就目前智能体产生的信息规模而言，存储容量远未成为主要限制因素。

罗云进一步强调，智能化地筛选重要Tokens（词元）成为关键。与过去大模型追求更多参数、训练数据及更长上下文不同，Memory技术需解决的是如何避免不必要的重复读取。人类能够“凝炼”和“升华”记忆，但智能体在这方面仍显不足。

今年4月，美国科技公司Cloudflare的Agent Memory进入私测阶段，其目标之一便是帮助智能体保留真正重要的信息，同时避免将所有历史数据不断堆砌进上下文窗口。然而，在要求模型从海量知识中准确提取并输出特定事实的任务中，完整上下文的效果仍可能优于经过压缩的Memory，因为压缩过程中可能丢失一些关键细节。

这引发了一个问题：当用户希望大模型“记住”新知识时，应选择参数化记忆（直接融入模型）还是外部存储（如RAG检索增强生成）？传神语联研发总监吕华表示，参数化记忆更适合容错率低或对模型推理响应速度要求极高的场景，如终端物联网设备、辅助诊疗决策等。而大多数企业问答、客服、文档总结等场景，则只需使用RAG即可满足需求。

记忆污染与指令冲突：智能体记忆的深层挑战

“保留重要信息”并非Memory技术的最大挑战，记忆污染与指令冲突才是更为棘手的问题。PilotDeck项目负责人、启元实验室副研究员闫宇坤举例称，用户可能希望智能体在跨几十轮对话中保持小说的世界观、人物关系及用户反馈，但若这些偏好缺乏明确边界，则可能污染其他任务。

“智能体何时应遵循先前的要求，何时又应遵循后续的要求？这可能导致其陷入混乱。”闫宇坤解释道。智能体虽拥有强大的记忆力，但若无有效的隔离机制和优先级判断，其“记忆”将变得混乱不堪，严重影响工作效率。

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逐渐淡忘。新版系统通过综合多段对话来应对记忆的陈旧性、正确性与规模问题，并强调记忆需考虑时间流逝的因素。

北京邮电大学人工智能学院副院长张曼强调，需将聊天记录与真正的Memory区分开来。原始对话只是不断增长的数据流，而真正的Memory还需经过抽象、压缩、分层、纠错、衰减和按需召回等过程。哪些信息值得长期留存、哪些只是临时要求、用户改口后旧偏好何时退出、冲突经验如何取舍等问题，至今仍未得到完全解决。

商汤小浣熊家族负责人贾安亚也认为，目前行业对于记忆与遗忘的处理仍相当工程化，如按时间淘汰、按调用次数判断重要性等方法虽可行，但距真正类似人类的记忆仍有差距。其团队正在探索一种类似“闪回”的机制，定期将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。

记忆如何转化为生产力：团队协作与经验沉淀

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至团队协作场景。团队成员与智能体协作过程中产生的对话、文档、代码库和工作方法均可保存为长期记忆，并按角色和任务分配给不同智能体使用。

据罗云介绍，此前腾讯内部一名工程师转至新团队时，原本预计需三天时间熟悉项目（即使使用AI辅助）。但借助团队Memory中已保存的技能、代码关系图及过去的信息，他仅用一天便完成了准备并开始执行任务。

这实际上是企业长期以来试图解决的问题：如何将个人经验低成本地传递给其他人。培训、SOP、Wiki和知识库虽保存了大量显性知识，却难以记录高级工程师面对某类报错时为何优先选择A而非B的深层逻辑。这些经验往往依附于个人，人离开后部分经验也随之流失。

以此为起点，Memory成为AI经济账本中的重要一环。企业不会仅因智能体记得更多就愿意支付更高费用，更多消耗不等于更高生产率。Memory最终需回答的问题是：留下这些过去后，智能体下次是否表现更好？

吕华将企业为AI付费的本质概括为“熟练度”：一是企业缺乏专家希望购买专家能力；二是企业已有专家希望沉淀其专业能力。调用什么工具、决策逻辑是什么、验收标准是什么等细节并非通用大模型预训练阶段所知，却构成了一家企业的独特行为能力。

闫宇坤认为理想状态是智能体在使用过程中低价值信息逐渐退出高价值经验不断被提炼。但记录过去相对容易将过去转化为经验则困难得多。智能体开始有机会参与企业工作流程是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留存的数据这些数据是静态成果。而智能体长期工作后产生的过程、失败、选择、反馈和纠正等动态数据成为新的争夺焦点。

罗云将此视为两个飞轮：用户飞轮（产品使用越久对用户越熟悉用户越觉得其聪明）和数据与模型飞轮（用户授权下智能体使用过程中产生的数据可能继续帮助模型优化）。

记忆定义与标准范式：行业共识待建立

今年3月Google为Gemini增加了一项功能允许从其他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快速让Gemini了解用户最重要的背景和对话。Anthropic也开始支持Memory导入和导出Claude用户可将其他AI服务整理出的Memory带进来或导出Claude已积累的Memory用于备份或迁移。

类似于手机厂商对“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”。若一个智能体已与一家企业共同工作三年里面留下的是项目历史、用户纠正、客户偏好、失败路径和团队工作方式等换掉它的成本将远不止重新购买一个API。

从技术上讲迁移“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均可迁移。闫宇坤提到问题在于整个行业尚未对Memory的定义和标准范式形成共识。

张曼也认为真正的问题在于有无统一的存储和适配标准以及平台是否愿意让用户搬走数据。若行业无统一迁移标准、厂商封闭记忆数据长期积累的私人记忆和工作经验可能成为新的平台壁垒。

尽管OpenAI、Google、Anthropic等科技巨头均在布局Memory技术腾讯云、阿里云、火山引擎等云服务提供商也在积极跟进。但这些平台之间的“拉扯”为独立Memory公司提供了生存空间。

若“记忆”最终仅成为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；而若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等问题Memory则可能像数据库一样从模型中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明确将目标定为构建AI的Memory layer（记忆层）。今年国内连续获得融资的记忆张量、Memora X等公司也将长期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。