出品 | 創(chuàng)業(yè)最前線

作者 | 白華

編輯 | 閃電

美編 | 邢靜

審核 | 頌文

過去三年，AI賽道的競(jìng)爭(zhēng)焦點(diǎn)清晰聚焦在“感知力”上——大模型（LLM）突破理解與生成邊界，多模態(tài)技術(shù)讓AI能看、能聽、能說(shuō)，整個(gè)行業(yè)都在解決一個(gè)問題：AI能接觸多少世界？

但現(xiàn)在，風(fēng)向變了。

要讓AI真正具備跨時(shí)間的關(guān)聯(lián)、推理與成長(zhǎng)能力，長(zhǎng)期記憶是繞不開的關(guān)鍵；如今，記憶早已不是“加個(gè)功能”那么簡(jiǎn)單，而是上升為AI Agent競(jìng)爭(zhēng)的“戰(zhàn)略層高地”。

這一判斷正被全球巨頭密集驗(yàn)證：OpenAI已正式推出Memory API，允許開發(fā)者為AI接入長(zhǎng)期記憶；Google在Gemini Memory項(xiàng)目上加速實(shí)驗(yàn)室攻堅(jiān)，內(nèi)部?jī)?yōu)先級(jí)拉滿；Anthropic、Meta也在低調(diào)籌備顯式記憶模型，多家大廠甚至專門成立“Memory專項(xiàng)團(tuán)隊(duì)”。

而在微軟CEO納德拉與Stripe聯(lián)合創(chuàng)始人約翰·科里森（John Collison）近期的深度對(duì)話中，也同樣提出“一個(gè)有效的Agent系統(tǒng)必須具備三個(gè)模型之外的要素：記憶（長(zhǎng)期信用分配）、權(quán)限（嚴(yán)格遵守訪問限制）和有效的行動(dòng)空間?！?/p>

巨頭們的動(dòng)作已經(jīng)說(shuō)明，記憶賽道，戰(zhàn)事已起。

而在這一輪競(jìng)賽中，一家中國(guó)初創(chuàng)公司——記憶張量，正以“操作系統(tǒng)級(jí)”的架構(gòu)脫穎而出。2024年7月就在WAIC發(fā)布業(yè)內(nèi)首個(gè)記憶分層大模型，2025年又趁熱推出MemOS 1.0，同步啟動(dòng)OpenMem開源社區(qū)，把“AI記憶操作系統(tǒng)”從概念變成了可落地的工具。

近期，MemOS更發(fā)布兩大核心產(chǎn)品：

MemOS云平臺(tái)：企業(yè)可像購(gòu)買云服務(wù)器一樣，按需調(diào)用“長(zhǎng)期智能能力”，無(wú)需自建記憶系統(tǒng)；

MindDock：用戶首次擁有AI記憶產(chǎn)權(quán)，支持跨平臺(tái)遷移（如ChatGPT→Gemini），并將偏好、知識(shí)封裝為“個(gè)人經(jīng)驗(yàn)資產(chǎn)”。

這是一場(chǎng)范式轉(zhuǎn)移：記憶第一次成為可審計(jì)、可回滾、可遷移的系統(tǒng)資產(chǎn)——這意味著，AI智能將真正具備“復(fù)利效應(yīng)”。而MemOS也極有可能成為“可治理記憶層的代表”，那MemOS到底是什么？做了哪些創(chuàng)新呢？

1、沒有記憶的AI，永遠(yuǎn)完不成商業(yè)化

在討論MemOS之前，我們必須回答一個(gè)根本問題：AI為什么非要“有記憶”？

一個(gè)殘酷的事實(shí)，沒有記憶的Agent，只是高級(jí)聊天機(jī)器人。當(dāng)前主流AI系統(tǒng)雖然能流暢對(duì)話、生成內(nèi)容，卻始終困在“金魚記憶”的循環(huán)里，因?yàn)槊看谓换ザ枷竦谝淮我娒?，無(wú)法累積經(jīng)驗(yàn)、無(wú)法形成身份、無(wú)法建立信任。這種“一次性智能”在娛樂場(chǎng)景尚可應(yīng)付，但在需要連續(xù)性、責(zé)任性和復(fù)利效應(yīng)的真實(shí)商業(yè)場(chǎng)景中，幾乎寸步難行。

長(zhǎng)期記憶，是Agent從“看上去聰明”走向“真正能工作”的分水嶺。

行業(yè)其實(shí)很早就意識(shí)到“記憶很重要”，但過去的技術(shù)策略都比較粗糙，更多是用各種“補(bǔ)丁”在彌補(bǔ)大模型沒有長(zhǎng)期記憶的問題，而非系統(tǒng)資產(chǎn)。最主流的做法是兩類：一類是長(zhǎng)上下文，把歷史對(duì)話原樣塞進(jìn)prompt里，這種方式成本高、效率低、不可治理；另一類是RAG，用向量檢索拉回相關(guān)知識(shí)再拼進(jìn)輸入。這兩種方式都只能提供一次性的、表層的“記住”。大廠這兩年也在做記憶，但多半停留在“功能級(jí)”。

過往的大部分方案本質(zhì)仍是短時(shí)記憶的堆砌，不具備審計(jì)、回滾、遷移、復(fù)用等系統(tǒng)能力。更致命的是：它們的記憶不屬于用戶，也不屬于AI，而是鎖死在產(chǎn)品內(nèi)部——既不能跨平臺(tái)遷移，也無(wú)法被用戶治理。

（圖 / 過去主流方案存在明顯局限）

這樣的方案造成結(jié)果就是，AI能算，卻不會(huì)成長(zhǎng)；能聊，卻不能積累價(jià)值。企業(yè)投入大量算力，卻得不到ROI復(fù)利。

2、MemOS重構(gòu)AI記憶的底層邏輯

要理解記憶對(duì)AI的真正價(jià)值，首先需要打破一個(gè)認(rèn)知誤區(qū)：記憶的本質(zhì)不是“存信息”，而是讓AI擁有可治理、可復(fù)用、可遷移的經(jīng)驗(yàn)資產(chǎn)。這才是AI從“單次響應(yīng)工具”升級(jí)為“長(zhǎng)期智能體”的關(guān)鍵。

而MemOS的核心突破，正在于精準(zhǔn)落地了這一本質(zhì)邏輯：它跳出了“功能級(jí)記憶”的窠臼，直接以“操作系統(tǒng)”視角重構(gòu)AI的智能積累機(jī)制。

根據(jù)「創(chuàng)業(yè)最前線」了解，MemOS不是一個(gè)記憶插件，也不是一個(gè)數(shù)據(jù)庫(kù)封裝，而是行業(yè)首個(gè)面向AI的記憶操作系統(tǒng)。其核心理念是：讓AI擁有一套“像操作系統(tǒng)一樣管理記憶”的底層機(jī)制，而不是靠上下文堆砌、規(guī)則拼接來(lái)維持所謂的“記住”。

而為了實(shí)現(xiàn)這個(gè)目標(biāo)，MemOS創(chuàng)新了三大機(jī)制，可以讓記憶真正“可用、可信、可復(fù)利”。具體來(lái)看就是為AI管理整個(gè)記憶生命周期：解釋寫入→回滾→遷移→復(fù)用。這個(gè)機(jī)制的重大意義就好像云計(jì)算之于服務(wù)器、支付系統(tǒng)之于交易——MemOS正在改變“智能如何積累”的底層規(guī)則。

其三層架構(gòu)的創(chuàng)新價(jià)值尤為突出：在應(yīng)用&API層，可以提供保存、更新、遷移、回滾等統(tǒng)一接口，將所有記憶能力做成標(biāo)準(zhǔn)化算子，開發(fā)者可以像調(diào)用API一樣使用記憶抽取、壓縮、回溯、遷移等功能，無(wú)需理解底層機(jī)制，就能構(gòu)建具備長(zhǎng)期偏好、穩(wěn)定人設(shè)和跨任務(wù)狀態(tài)的智能體。

在系統(tǒng)層，MemOS最獨(dú)特的模塊是記憶調(diào)度器，可以對(duì)參數(shù)記憶、激活記憶與明文記憶進(jìn)行預(yù)測(cè)性、異步調(diào)度。它負(fù)責(zé)管理記憶的全生命周期：哪些信息值得被抽取、何時(shí)總結(jié)、如何壓縮、何時(shí)遺忘、任務(wù)之間如何共享、沖突如何消解，以及執(zhí)行時(shí)應(yīng)該把哪些記憶喂給模型。這些都不再靠開發(fā)者寫規(guī)則，而由系統(tǒng)與小模型共同決策，讓記憶具備“自治調(diào)度能力”。

在存儲(chǔ)與基礎(chǔ)層，支持用戶記憶、領(lǐng)域記憶、專家記憶的封裝與跨模型遷移與恢復(fù)。不是把記憶當(dāng)成外掛，而是通過后訓(xùn)練、自蒸餾、記憶提純等方式，讓模型具備“記憶原生”的表征能力。長(zhǎng)期偏好、任務(wù)狀態(tài)、上下文演化會(huì)被模型內(nèi)化為穩(wěn)定表征，類似人腦把長(zhǎng)期記憶壓縮進(jìn)皮層結(jié)構(gòu)。這一點(diǎn)讓MemOS區(qū)別于市面上大多數(shù)仍依賴檢索和上下文拼接的方案。

最終的效果是，MemOS能讓模型不再是“無(wú)狀態(tài)推理器”，而是一個(gè)能基于自身歷史不斷進(jìn)化的智能系統(tǒng)。它不像傳統(tǒng)方案那樣堆信息、從零開始，模型能夠在長(zhǎng)期使用中持續(xù)積累經(jīng)驗(yàn)、參與決策并不斷演化。讓智能第一次變成“沉淀資產(chǎn)”，而不是一次性算力行為。

3、誰(shuí)最需要MemOS？

技術(shù)架構(gòu)的價(jià)值，終要通過場(chǎng)景驗(yàn)證。那么哪些行業(yè)可以先做長(zhǎng)期智能？

答案是，并非所有場(chǎng)景與行業(yè)都必須率先需要長(zhǎng)期記憶，同時(shí)滿足以下三個(gè)條件的行業(yè)，才會(huì)率先擁抱MemOS：一是決策高度依賴歷史數(shù)據(jù)，二是操作依賴經(jīng)驗(yàn)連續(xù)性，三是錯(cuò)誤成本極高。

例如金融行業(yè)，需記錄用戶風(fēng)險(xiǎn)偏好、投資歷史，且任何幻覺都可能導(dǎo)致重大損失；工業(yè)/運(yùn)維行業(yè)，設(shè)備生命周期長(zhǎng)達(dá)數(shù)十年，故障診斷、維護(hù)策略必須基于長(zhǎng)期運(yùn)行數(shù)據(jù)沉淀；客服/投顧/運(yùn)營(yíng)行業(yè)，“一次訓(xùn)練，多次復(fù)用”可以大幅壓降人機(jī)協(xié)作成本；人格/陪伴類AI助手，因?yàn)橛脩絷P(guān)系即資產(chǎn)，失憶等于關(guān)系歸零。

以個(gè)性化AI金融投顧客服為例，金融場(chǎng)景對(duì)“穩(wěn)定性”和“個(gè)性化”要求極高。過去的智能客服最大的痛點(diǎn)是，每次都是從頭問、從頭解釋，越聊越像機(jī)器人。接入MemOS后，系統(tǒng)能自動(dòng)記住用戶的風(fēng)險(xiǎn)偏好、過往問題、賬戶習(xí)慣、資產(chǎn)結(jié)構(gòu)等長(zhǎng)期信息。效果非常明顯：同一個(gè)用戶反復(fù)來(lái)咨詢，系統(tǒng)能保持一致的策略和人設(shè)，重復(fù)溝通減少超過60%，準(zhǔn)確命中用戶需求的比例也顯著提升。更重要的是，它在業(yè)務(wù)越跑越熟，真正具備了“經(jīng)驗(yàn)積累”。

當(dāng)然，MemOS的能力不僅體現(xiàn)在理念與客戶驗(yàn)證上，更經(jīng)過四大權(quán)威Benchmark的硬核驗(yàn)證，覆蓋事實(shí)記憶、偏好理解、跨會(huì)話推理等全維度。

一是在算法效果上，MemOS不僅在所有核心指標(biāo)上奪冠，并且在多個(gè)維度上實(shí)現(xiàn)了顯著的Token優(yōu)化。可以直接減少推理成本，提高毛利率。

具體來(lái)看，在最懂用戶的PrefEval（個(gè)性化）方面，MemOS的個(gè)性化回答率（77.20%/71.90%）均位列第一，且“未感知偏好”的錯(cuò)誤率僅為4.60%/7.40%，為全場(chǎng)最低，展現(xiàn)了對(duì)用戶偏好的穩(wěn)定識(shí)別與長(zhǎng)期記憶魯棒性。在PersonaMem（?戶畫像）方面，MemOS以61.17%的準(zhǔn)確率位列第?，同時(shí)上下?開銷（Context Token）相較最強(qiáng)競(jìng)品Memobase?幅節(jié)省31.93%。

（圖 / PersonaMem評(píng)測(cè)結(jié)果）

二是在核心記憶能力（LoCoMo&LongMemEval）方面，MemOS同樣表現(xiàn)卓越，均位列第一，確保了Agent的基礎(chǔ)“記憶”功能穩(wěn)定可靠。

在LoCoMo方面，MemOS以75.80%的Overall得分奪冠，相較最優(yōu)競(jìng)品Memobase(72.01%)?出5.26%。在LongMemEval方面，MemOS以77.8%的Overall成績(jī)登頂，并在信息提取、跨會(huì)話、時(shí)間推理三項(xiàng)上均為Top-1。更重要的是，在實(shí)現(xiàn)更強(qiáng)效果的同時(shí)，Token消耗相?最強(qiáng)競(jìng)品Memobase節(jié)省了7.1%。

（圖 / LoCoMo評(píng)測(cè)結(jié)果）

（圖 / LongMemEval評(píng)測(cè)結(jié)果）

工業(yè)級(jí)統(tǒng)治力方面，MemOS是唯一100%成功率的。在40 QPS壓力下，所謂的主流競(jìng)品普遍嚴(yán)重失穩(wěn)，成功率甚至跌至40%以下，基本處于不可用狀態(tài)。而MemOS穩(wěn)如磐石，Add接口平均時(shí)延僅192ms，MemOS的平均檢索時(shí)延為440.5ms，實(shí)現(xiàn)真正的“即寫即查”。

（圖 / 核心接口性能壓測(cè)對(duì)比(Add/Search)）

三是在防幻覺記憶層面，記憶張量聯(lián)合中國(guó)電信研究院正式發(fā)布業(yè)內(nèi)首個(gè)針對(duì)AI記憶系統(tǒng)的幻覺評(píng)估框架——HaluMem，它的出現(xiàn)，讓AI記憶系統(tǒng)首次具備了“自檢”與“溯源”能力。

不同于以往只能評(píng)估整體表現(xiàn)的黑箱方法，HaluMem首創(chuàng)了，并將記憶過程拆分為三個(gè)關(guān)鍵階段：在記憶抽?。‥xtraction）階段，可以評(píng)估AI是否正確抓取關(guān)鍵信息；在記憶更新（Update）階段，可以評(píng)估在修改舊信息時(shí)是否出現(xiàn)誤寫或偏差；在記憶問答（Usage）階段，可以評(píng)估AI回答問題時(shí)是否調(diào)用了正確記憶。

這種“操作級(jí)”評(píng)估方式，能夠精準(zhǔn)定位幻覺來(lái)源，讓開發(fā)者真正理解——模型是在哪一步開始出現(xiàn)問題。

4、結(jié)語(yǔ)

現(xiàn)在的MemOS，已經(jīng)不是實(shí)驗(yàn)室里的demo，不僅和阿里云、天翼云等達(dá)成深度合作，還在金融投顧、工業(yè)運(yùn)維、AI游戲等場(chǎng)景簽下商業(yè)訂單，真正讓“長(zhǎng)期智能”從概念變成了企業(yè)能用的基礎(chǔ)設(shè)施。

（圖 / 攝圖網(wǎng)，基于VRF協(xié)議）

隨著落地案例的增多，AI行業(yè)的競(jìng)爭(zhēng)邏輯也愈發(fā)清晰，過去以算力、模型參數(shù)為核心的單一壁壘正在失效，長(zhǎng)期智能效率成為新護(hù)城河。擁有記憶資產(chǎn)的企業(yè)和個(gè)人，將獲得成本遞減、價(jià)值遞增的復(fù)利。因此，未來(lái)企業(yè)比拼的不再是“誰(shuí)能生成內(nèi)容”，而是“誰(shuí)擁有可治理、可復(fù)用的經(jīng)驗(yàn)”。

在這場(chǎng)科技與產(chǎn)業(yè)變革中，MemOS的定位已十分明確，它如同信息時(shí)代的數(shù)據(jù)庫(kù)——數(shù)據(jù)庫(kù)曾成為所有信息系統(tǒng)的底層支撐，而MemOS正成為AI時(shí)代的“AI記憶基礎(chǔ)設(shè)施”，為各類AI Agent提供不可或缺的記憶底座。未來(lái)的AI Agent要真正“能干活、干好活”，或許都繞不開這層“記憶底座”——而MemOS，已經(jīng)走在了前面。

*注：文中題圖來(lái)自界面圖庫(kù)。