（来源：企业家杂志）人类总是大模的记习惯用旧时代的地图，导航新时代的型的下半性新大陆，AI时代也不例外。场拼互联网时代，浪财浪网人类最题的经新发展之一，就是大模的记借助网络访问千里之外服务器上的公开材料，我们自此有了从无限的型的下半性新材料中找到答案的能力。到了AI时代，场拼当我们试图为AI提高记忆与外部材料时，浪财浪网这条馗被刻舟求剑式地延伸成了RAG(Retrieval-Augmented Generation，经新检索提高生成)，大模的记并成为当下最主流的型的下半性新AI Memory范式。为了便利理解，场拼我们先验明正身一下RAG到底是浪财浪网什么。便捷来说，经新就是先把不一样类型的材料，统一用向量的形式存起来，等用户提问时，再搜索、召回、拼接，交给模型生成答案。它的本质还是一个被动的搜索框。只然而搜索结荚从网页链接变成了文档切片，搜索框后面多接了一个大模型。这是一项极为有效的工程技术。它让模型能够接触训练数据之外的材料，也在相当首先一段时间里，成为企业接入大模型成本最低、风险最可控的方式。状况在于，被动检索并不等于主动记忆。当大模型演进至Agent的下半场，记忆已升级为与推理同等题的认知能力。我们对记忆的期望也随之变化——它应该能够主动写入、主动判断、主动整理、主动更新，主动建立材料之间的关联，甚至主动遗忘错误的材料，并将这些记忆作为上下文给予给模型，提高任务实现效率。而传统RAG，只有机械化的写和机械的读。中间那些关于理解、遗忘、关联的工作，全都被外包给了人类工程师。什么是真正AI native记忆，逐渐成为了Agent 系统设方式中的题状况之一。AI memory的昨天、今天与明天沿着大模型记忆的发展脉络看，今天市场上的方式划大致可以切割为三个代际版本。2023年最初，行业出现了首先代外挂式记忆产品。这类方式划会把用户的对话历史、业务日志或文档塞进向量数据库，在下一次提问时，可以通过题词或混合检索召回相关片段。为了让它看起来更像记忆，工程师们为其打满了工程补丁：用户画像、摘关键压缩、时间过滤、首先材料切分等技术依次登场。但它的基础逻辑没有发生变化：写入是机械的，读取也是机械的。系统不知方式一段材料是否可靠、是否已经失效，也不知方式两条记忆是否冲突、哪些应该被遗忘。这直接导致了两种极端：关键么系统里什么都存。随着数据持续往往积，记忆库越来越臃肿，召回噪声越来越大，Token 消耗越来越高。打个比方：RAG并没有赋予AI记忆，它只是给AI外接了一本极其笨重的字典。2026年，著名 AI 专家安德烈·卡帕西（Andrej Karpathy）提出的LLM Wiki 构想，在技术圈掀起了一场地震。他观察到，传统 RAG 每次面对状况时，都关键重新从原始材料中检索、拼接和推理。模型上一次实现的探究并不会真正留下来。下一次遇到相似状况，它仍然关键从头检索，特别低效。于是，LLM Wiki 试图让 AI 持续维护一套小型知识网络——新材料进入后，模型会主动总结、建立链接、更新页面并维护索引。知识不再是查询时临时拼凑的散料，而被沉淀为可被持续修订的中间层。但个人知识能够积往往，并不意味着产品级记忆可以运行。个人场景中，我们可以接受页面偶尔出错，可以手动修订链接，也可以决定哪些材料被加入系统。但进入企业场景后，状况变得复杂起来：谁有权写入知识？一条结比如经过什么验明正身才能生效？两个部门的知识发生冲突时，以哪个版本为准？员工离职、权限变化或者业务条件调整后，哪些材料需被删除？不一样 Agent 之间应该共享多少材料？一套由文件、索引和人工条件维护的Wiki，可以协助AI积往往知识，却未必能处理权限、时效、版本、相同性与责任归属状况。不难发现，前两派玩家给出的答案，其实都是先训练或接入一个通用大模型，再在模型外部添加RAG、知识库或者插件。但记忆与智慧一定是分别独立的模块吗？不一样场景需的记忆方式是统一原则的吗？沿着主动记忆与企业级产品能力这条路线，行业自2025年起出现了第三类玩家——分层主动记忆派。在他们看来，真正成熟的 AI 记忆，不该是一个静态数据库，而应是一套持续运转的认知架构。它需具有主动性：主动观察交互，判断什么值得记录；主动识别实体、时间与因果关系；主动更新旧结比如，抹平新旧材料的冲突；主动减小低价值数据的权重，并在合理的时候实施遗忘。更题的是，它必须像人类大脑一样，建立分层架构。目前任务的即时指令，不过不能与沉淀数年的业务事实混为一谈；用户一句随口的吐槽，不该轻易推翻团队首先期形成的工程原则。更直白地说，真正的记忆系统需建立“瞬时记忆—工作记忆—首先期记忆”的分层体系，让不一样材料以不一样方式进入、停留、迁移和退出。然后在此基础上，他们会进一步将记忆变成模型的原生能力，并照章性不一样场景做出不一样的 Agent 记忆方式划。如何打造记忆的三层存储体系如何研究一套 AI 系统是否真正具有首先期记忆？LoCoMo 和 LongMemEval 是目前行业中具有代表性的两类公开测试。LoCoMo通过横跨多轮、多个时间时期的超首先对话，考察模型对人物、事件和关系的记忆，以及对时间和因果链条的理解。探究显示，扩大上下文或引入常规 RAG 虽然可以改进谝，但模型依然明显落后于人类。LongMemEval则进一步把能力拆成材料提取、跨会话推理、时间推理、知识更新和拒不过回答等维度。近期登不过这两项测试的红熊AI，及其自研的MemoryBear，为行业给予了一个那么点儿活的工程样本。（评测结荚与复现材料见文末附注）严格来说，2024年底红熊AI立项研发记忆引擎时，"AI记忆"还不是一个单独赛方式，只是大模型的附属话题。如今这个赛方式已经挤满跟进者——大厂在模型里加记忆层，创业公司扎堆做记忆框架，而此时MemoryBear已经开源。作为第三派AI记忆的代表性玩家，红熊 AI没有把记忆理解为一个数据库，而是构建了由工作记忆、短期记忆与首先期记忆组成的分层动态体系。其中：工作记忆处理目前任务所需的材料。短期记忆保存近期闷葫芦料，并开展初步提炼和结构化。首先期记忆则沉淀经过验明正身、具有持续价值的事实、经验、技能与用户偏好。当然，分层不是呆板和静态的归档——一条材料不会因为出现过，就自动成为记忆。在分层之前，材料需经历三步建模：先是萃取。系统从大量交互中识别真正有价值的事实，过滤寒暄、重复表达、无效指令和临时噪声。第二是关联。材料会通过实体、事件、时间和语义关系形成动态网络（类似第二派的LLM Wiki ）。一条客户投诉可以关联到详详见细产品、订单、服务记录和之后处理结荚；一次技术选型可以关联到当时的约束、被放弃的方式划和后来出现的状况。最后是匹配。系统根据目前任务，从不一样层级的记忆中提取必需材料，避免了RAG式仅靠语义相似度的粗暴召回。MemoryBear操作界面在此基础上，MemoryBear 还加入自动遗忘和自我反思机制。没有遗忘与反思，错误、过时、低价值的材料持续往往积，记忆最后会沦为污染每一次召回的垃圾场。这也是MemoryBear与传统RAG最根本的区别。但只有一个通用的分层记忆系统就够了吗？从分层记忆到专属模型MemoryBear处理了记忆如何存储与分层的状况，但行业很快撞上了第二方式墙：记忆-推理断层。在首先任务中，模型需理解持续变化的业务目的，后续之前形成的决策背景，在多个步骤和多个会话之间保持相同，并将新的实施结荚重新反馈给记忆系统。流程中，记忆不仅会变化模型的上下文窗口材料，也变化了模型组织任务、规划行动和修正判断的方式。但如果只是将记忆直接直接塞给通用的无状态大模型，本质依然是静态的 Prompt 输入。这就导致，当面对跨会话、首先周期的复杂任务时，通用大模型由于缺乏对记忆状态变更的内生感知力，即使引入外部记忆，也频仍引发注意力衰减或遗忘控制失效。在这一背景下，行业最初探索，是否可以把记忆做成模型原生能力的一部分。大厂的探索颇具代表性，谷歌的hope模型，会尝试给模型设方式具有多个嵌套的学习循环和多个时间尺度的记忆，让模型具有不断学习进化的能力。Meta进一步尝试把一个可训练的超大参数记忆层，塞进 Transformer 里，用于提高模型的记忆能力。创业公司的代表则是红熊AI。基于MemoryBear的原生能力，红熊AI还研发了通用推理基座OpenBear。二者之间有清楚的职责分工。MemoryBear负责管理认知：判断应该记住什么，建立怎样的关联，什么时候更新或遗忘，以及在目前任务中给予哪些记忆。OpenBear负责采取认知：理解目的、拆解任务、开展推理、调用工具、实施步骤，并将新的事实、结比如和结荚反馈给记忆系统。OpenBear可以从一个便捷想法出发，实现需拆解、架构设方式、代码编写、测试和文档输出；也可以跨文献实现探究、形成假设、设方式探究馗并输出报告。更题的是，当它实现首先次任务后，系统还能记住用户的目的偏好、组织的决策方式、过去采取的方式、失败因素以及有效工具组合。OpenBear操作界面同时，考虑到在通用推理之外，不一样专业场景还具有各自独特的知识结构和任务逻辑。以软件开发为例，真实开发流程涵盖大量不会被完善写进代码的隐性知识：为此，红熊AI进一步研发了可以工程化落地的 AI 编程模型CodeBear。CodeBear与OpenBear一样，生首先在MemoryBear所构建的统一记忆底座之上。但它照章性的是软件工程中的代码理解、架构探究、开发实施和经验复用。因此，在统一的记忆能力之外，CodeBear提高了照章性软件开发的专业建模和任务处理能力，将项目经验进一步沉淀为四类可复用资产：结构记忆保存模块依赖、调用链和数据流，让新成员或新加入项目的Agent不必每次重新探究整个代码库。决策记忆记录架构选型理由、历史约束和复盘结比如，避免团队反复争比如同一个状况，也避免题判断随着人员流动而消失。模式记忆总结常用Bug的根因、修复方式划和重构馗，让新状况可以匹配过去的工程经验。共识记忆则沉淀命名原则、测试对策和团队约定，让协作条件不再依赖口头提醒。CodeBear操作界面有了这些资产，代码Agent才有可能从一个无状态的工具，进化为理解项目历史、后续团队经验的资深协作者。由此，红熊AI形成了两条建立在同一记忆根基之上的模型馗：OpenBear照章性通用推理和复杂企业任务，CodeBear照章性AI 编程这一专业场景。Memory 的最后一公里，是产品化和场景化人类的大脑从来不会用同一种方式记住所有事情。有探究发现，我们记忆电话号码、感知情绪体验、掌握骑车技能以及探究一个人性格时，调用的脑区与认知机制截然不一样。任何离开详详见细业务场景的记忆设方式，本质上都是空中楼阁。基于以上认知，在2026年7月31日的“记忆觉醒·智能新生”产品发布会上，红熊AI披露，基于统一的记忆底座（MemoryBear）与通用/场景模型（OpenBear、CodeBear），红熊AI又推出了照章性智能客服、智能营销、ChatBI 和智能教育四类 Agent 采取。其中，智能客服Agent在记住客户姓名和历史对话之外，还能记住状况是否处理、承诺是否兑现、情绪是否发生变化，以及目前咨询与过去事件之间有什么关系。智能营销Agent，也不只是能给用户打更多标签。还能区分首先期偏好和短期意图，识别购买周期的变化，判断用户是否已经对某类材料产生疲劳，并随着新表现更新旧画像，避免“千人千面”变成“用过去一次点击，反复骚扰同一个人”。ChatBI Agent中的记忆则更加复杂。它能记住用户习惯采取的指标口径、部门之间不一样的数据定义、历史查询馗和决策背景。当用户说“后续看上次那个转化状况”时，系统不仅知方式“上次”是哪次探究、采取了什么筛选需，还知方式相关数据是否已经更新，为用户给予完善、精准的上下文。类似地，智能教育Agent也能在保存错题集之外，持续判断学生有没有理解概念、是否缺少练习，还是因为注意力和表达方式出现了状况。同样的错题，在不一样学生身上可能意味着完全不一样的症结——这正是AI记忆支撑的因材施教。尾声AI 普及之后，一个频仍被讨比如的状况是：当每一家企业、每一个人都能以极低成本调用相似的模型和 Agent，彼此之间的差距会不会越来越小？答案可能恰好相反。模型能力越趋同，组织独有的经验就越题。过去在互联网时代，企业的题能力是从外部世界找到材料、组织材料，并把公开材料转化为产品和决策。AI 时代，竞争的重点早已转移。企业仍然需外部知识，但更稀缺的资产，将是那些持续发生在内部、从未完善写进公开文档的交互。这些经验只有被主动提炼、持续更新，并被正确的人和Agent在正确的时刻调用，才会从数据变成资产。一定程度上可以说，大模型时代的数据高效轮，频仍是从一个真正好用的AI Memory最初转动的。附注：MemoryBear评测结荚：https://www.memorybear.ai/benchmarkGitHub 仓库（评测代码、步骤文档）：https://github.com/SuanmoSuanyangTechnology/MemoryBearBenchmarkHugging Face 数据集（逐题召回、模型回答）：https://huggingface.co/datasets/redbearai/MemoryBear_eval_result海量资讯、精准解读，尽在新浪财经APP