來源：機(jī)器之心

2026 剛來到 2 月，無論是底層模型大廠還是初創(chuàng)公司統(tǒng)統(tǒng)加速開卷，其中 Agentic Memory 方向的快速進(jìn)化更是把大模型的能力上限推向了 NEXT LEVEL!

OpenAI 和 Anthropic 持續(xù)推高上下文窗口的上限，Clawdbot 小蝦憑借記憶能力住進(jìn)了更多用戶心中，AI 行業(yè)共識正在發(fā)生微妙但劇烈的轉(zhuǎn)向 —— 沒有記憶的 Agent 只是一個高級的自動補(bǔ)全工具。要讓 AI 真正處理復(fù)雜項目或長期任務(wù)，它必須具備一種跨會話的、結(jié)構(gòu)化的長期記憶機(jī)制。

AI 技術(shù)圈和資本押注的新風(fēng)口

如果說大模型提供了 “高度運轉(zhuǎn)的大腦”，那么記憶層就是 Agent 真正邁向好用的 “關(guān)鍵能力”。

Sequoia Capital 的合伙人在近期的一次閉門會上談到，未來的 Agent 核心挑戰(zhàn)之一是實現(xiàn) "持久化身份"(Persistent Identity)—— 讓 AI 不僅能記住用戶的歷史交互，更要在長時間運行中保持一致的理解和上下文記憶。在 Agentic AI 的進(jìn)化競賽中，一個長期被忽視的瓶頸正成為頂級風(fēng)投追逐的新風(fēng)口：持久化記憶（Persistent Memory）。

剛剛，F(xiàn)eeling AI 團(tuán)隊在深夜發(fā)布 MemBrain1.0，在 LoCoMo / LongMemEval / PersonaMem-v2 等多項主流記憶基準(zhǔn)評測中拿下全新 SOTA，反超 MemOS、Zep 和 EverMemOS 等記憶系統(tǒng)和全上下文模型；在 KnowMeBench Level III 兩個難度等級最高的評測中更是比現(xiàn)有評測結(jié)果大幅提升超 300%。

Feeling AI 是 2025 年剛浮出水面不久的 AI 初創(chuàng)團(tuán)隊，創(chuàng)始人戴勃是生成式 AI 領(lǐng)域的青年科學(xué)家，他曾在 NTU 和上海 AI 實驗室任職，擔(dān)任生成式 AI 團(tuán)隊的負(fù)責(zé)人。據(jù)媒體此前報道，他們還低調(diào)的完成了兩輪超億元的融資，是國內(nèi)最早在世界模型和 3D 動態(tài)交互方向進(jìn)行嘗試的團(tuán)隊之一。

Memory for Agentic AI 新 SOTA——MemBrain1.0

Feeling AI 公布的評測結(jié)果，通過在 4 個業(yè)內(nèi)公認(rèn)的記憶基準(zhǔn)測試來一場 "實戰(zhàn)演練" 以驗證算法的 "真功夫"�；� EverMemOS 開源倉庫搭建的一個 "公平擂臺"—— 所有 “參賽選手” 都使用同一個基礎(chǔ)大模型（GPT-4.1-mini）作為 "底座"，MemBrain1.0 與其他大模型記憶增強(qiáng)方法在同一起跑線上的能力比拼結(jié)果先看為敬。

在主流測試基準(zhǔn) LoCoMo 和 LongMemEval 上，MemBrain1.0 分別以 93.25% 和 84.6% 的準(zhǔn)確率斬獲新的 SOTA。這部分得益于MemBrain1.0 精細(xì)的實體 - 時間上下文管理設(shè)計， 在時序任務(wù)以及多會話場景任務(wù)下取得顯著提升。

在另一個考察隱性畫像捕捉能力的 PersonaMem-v2測試基準(zhǔn)上，MemBrain1.0 以 51.50% 的準(zhǔn)確率超越現(xiàn)有公開的方法，精準(zhǔn)實現(xiàn)了對用戶長期偏好的深度洞察。

此外，在 Hugging Face 廣受關(guān)注的 Knowme-Bench 基準(zhǔn)中，MemBrain 的實驗結(jié)果表明，在 KnowMeBench Level III: Psychoanalytic Depth:Mind-BodyInteraction (T6),Expert-Annotated Psychoanalysis (T7) 難度等級最高的兩個評測中更是比現(xiàn)有評測結(jié)果大幅提升超 300%，顯示出 MemBrain 在高階認(rèn)知理解任務(wù)中顯著的性能優(yōu)勢。Knowme-Bench 的核心挑戰(zhàn)在于要求模型超越基礎(chǔ)的精確記憶抽取，實現(xiàn)基于記憶內(nèi)容的深層分析與復(fù)雜推理。

MemBrain1.0 的算法強(qiáng)在哪？

讓記憶系統(tǒng)學(xué)會 "主動思考"

現(xiàn)有記憶系統(tǒng)在檢索機(jī)制上普遍采用多路召回與重排架構(gòu)（如全文檢索、向量檢索與圖數(shù)據(jù)庫的混合檢索）—— 雖然配備了一整套 "豪華工具箱"，但性能很大程度上取決于預(yù)設(shè)的分支參數(shù)，系統(tǒng)只能按預(yù)設(shè)軌道上 "照章辦事"。盡管 EverMemOS 等前沿工作嘗試引入查詢改寫（Query Rewriting）來適配多維度的查詢需求，但這種單輪觸發(fā)機(jī)制本質(zhì)上還是 "單次觸發(fā)" 的被動響應(yīng)，難以實現(xiàn)真正的自適應(yīng)檢索。

MemBrain 的破局點在于用 Agentic 思路重構(gòu)整個記憶系統(tǒng)。它將實體提取、會話摘要生成、記憶合并、沖突消解、分層記憶壓縮等核心環(huán)節(jié)，拆解為獨立且能協(xié)同作戰(zhàn)的子 Agent—— 每個 Agent 專注自己的領(lǐng)域，但能根據(jù)任務(wù)動態(tài)配合。傳統(tǒng)檢索手段被 "降維" 為可調(diào)用的工具，真正的決策權(quán)交給了 Agent 之間的協(xié)作調(diào)度。

這種設(shè)計讓部署靈活度直接拉滿，還為異步記憶更新等日常工程需求預(yù)留了充足的擴(kuò)展空間。

實體與時間：記憶管理的 "細(xì)節(jié)功夫"

精確提取歷史文本中的實體與時間戳信息，是記憶系統(tǒng)實現(xiàn)關(guān)聯(lián)分析與邏輯推理等高階任務(wù)的基石。然而，現(xiàn)有方案在長時記憶的數(shù)據(jù)組織模式與細(xì)粒度上下文管理上仍顯粗放 —— 時間信息捕捉不夠完整、實體關(guān)聯(lián)不夠清晰、時間與事件的組織方式不夠規(guī)范，這些細(xì)節(jié)上的不足限制了系統(tǒng)在復(fù)雜下游場景中的性能上限。

MemBrain 在前沿探索的基礎(chǔ)上，針對長時上下文進(jìn)行了深度的結(jié)構(gòu)化工程優(yōu)化。通過精細(xì)化的字段設(shè)計與上下文對齊機(jī)制，在實體提取完整性、時間戳規(guī)范化、數(shù)據(jù)結(jié)構(gòu)清晰度等多個細(xì)節(jié)層面持續(xù)打磨，確保了記憶數(shù)據(jù)的高保真度與檢索時的高度相關(guān)性。

適配大模型原生能力，深度參與推理

很多研究者喜歡用圖結(jié)構(gòu)來描繪記憶網(wǎng)絡(luò) —— 畢竟現(xiàn)實世界中，實體之間的關(guān)系確實錯綜復(fù)雜。

但這里有個有趣的矛盾：當(dāng)下主流基座模型的底層架構(gòu)，更適配線性或樹狀的信息排列方式。這種架構(gòu)范式與圖結(jié)構(gòu)表征之間的天然差異，帶來的后果是：現(xiàn)有的圖數(shù)據(jù)庫記憶系統(tǒng)在查詢時，還是主要依賴傳統(tǒng)圖算法在唱主角，LLM 只能在一旁 "看戲"，無法深度參與圖推理。結(jié)果就是經(jīng)常發(fā)生明顯的語義轉(zhuǎn)化損耗 —— 就像信息在傳遞過程中不斷 "失真"。這無疑限制了 LLM 在復(fù)雜記憶推理場景中的真正實力。

最近備受關(guān)注的 Anthropic 推出的 Skill 機(jī)制，采用 "一切皆文件" 的設(shè)計哲學(xué)，把文件按需加載到上下文中。MemBrain 通過優(yōu)化這一思路：雖然不用圖結(jié)構(gòu)，但把相關(guān)信息組織成可按需加載的 "語義單元"—— 就像把散落的知識點打包成一個個 "信息包"，LLM 可以直接打開閱讀，而不需要經(jīng)過復(fù)雜的圖算法轉(zhuǎn)換。這樣既保留了信息之間的關(guān)聯(lián)關(guān)系，又讓 LLM 能夠深度參與推理，在推理時隨用隨取，靈活檢索和組裝知識。

為什么是創(chuàng)業(yè)團(tuán)隊 Feeling AI？

是什么讓這樣一支成立不久的初創(chuàng)團(tuán)隊半路殺了出來，一舉拿下多項基準(zhǔn)的 SOTA？

Feeling AI 的創(chuàng)始人戴勃，是生成式 AI 領(lǐng)域的青年科學(xué)家、香港大學(xué)的助理教授，他曾在 NTU 和上海 AI 實驗室任職，擔(dān)任生成式 AI 團(tuán)隊的負(fù)責(zé)人。戴勃博士畢業(yè)于香港中文大學(xué)，在開源社區(qū)爆火的視頻生成模型 AnimateDiff，以及 CityNeRF、Scaffold-GS 這幾項工作都是他的代表作，AnimateDiff 可以說引領(lǐng)視頻生成走向商業(yè)化的關(guān)鍵工作，據(jù)傳多家大廠曾開出天價吸引其加入。

但低調(diào)創(chuàng)業(yè)的戴勃并沒有選擇在視頻生成領(lǐng)域下鉆，而是在 2024 年就押注了世界模型。戴勃帶領(lǐng)的核心團(tuán)隊來自清華、港中文、NTU 和米哈游、英偉達(dá)、商湯等，團(tuán)隊更是不乏畢業(yè)于清華姚班的天才少年。

但作為國內(nèi)最早在世界模型和 3D 動態(tài)交互方向進(jìn)行嘗試的團(tuán)隊，為什么要做 Agentic Memory？答案或許藏在其官方發(fā)布的一張海報中。

他們把世界模型的實現(xiàn)分成了 InteractBrain（理解、記憶與規(guī)劃），InteractSkill（能力與執(zhí)行）和 InteractRender（渲染與呈現(xiàn)）三層，MemBrain 所代表的記憶能力則是 InteractBrain 的關(guān)鍵組成部分之一。當(dāng) OpenAI-o1、DeepSeek-R1 為 AI 帶來的推理能力還不足以為物理世界的智能系統(tǒng)達(dá)成閉環(huán)時，機(jī)器像人類一樣與動態(tài)變化的物理世界共存的能力就至關(guān)重要。

也許 Feeling AI 試圖回答的正是 —— 如何讓世界模型真正走向動態(tài)世界的智能交互，而與世界動態(tài)交互的核心也將由 “人” 變?yōu)?“人和 AI”。如此看來，在 Agentic Memory 的能力上為世界模型構(gòu)建護(hù)城河也十分合理。

結(jié)語

隨著 Mem0 等項目在 GitHub 上迅速走紅，DeepSeek 的論文劍指大模型記憶，以及 OpenAI 頻繁更新其 “Memory” 功能接口，一個明確的信號已經(jīng)釋放：在 2026 年的 AI 版圖中，誰能解決 Agent 的 “隨時失憶癥”，誰就能掌握通往 AGI 的下一把鑰匙。

如果說算力是 Agent 的心臟，那么 Memory 正被公認(rèn)為它的靈魂，智能大腦正在走向卓越記憶能力的比拼。正如 Nvidia 科學(xué)家 Jim Fan 所言，Agent 的下一步演進(jìn)不在于參數(shù)量的無限堆砌，而在于通過高效的技能庫索引與自我反思機(jī)制，讓 AI 在面對全新、更復(fù)雜任務(wù)時，能夠直接檢索并復(fù)用此前探索中積累的技能與經(jīng)驗教訓(xùn)。隨著 Memory for Agentic AI 成為基礎(chǔ)設(shè)施層的核心標(biāo)配，我們正在見證 AI 從 “無狀態(tài)” 的單次調(diào)用，向 “有意識” 的持續(xù)進(jìn)化跨越。

強(qiáng)大的記憶能力以及適配模型原生的層級化記憶系統(tǒng)，意味著 Agentic AI 正從模型能力逐步走向用戶體驗層面的全面升級，這也將成為 AI 與用戶共生、共創(chuàng)的新起點。

MemBrain1.0 Github https://github.com/feelingai-team/MemBrain

閱讀最新前沿科技趨勢報告，請訪問歐米伽研究所的“未來知識庫”

https://wx.zsxq.com/group/454854145828

未來知識庫是“ 歐米伽 未來研究所”建立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類風(fēng)險等等領(lǐng)域的前沿進(jìn)展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進(jìn)入。