问题——“会思考”之后，如何“记得住” 近两年，大模型规模、多模态、推理与算力效率各上快速迭代，推动智能问答、办公协同、代码生成等场景加速普及。但真实应用中，一个长期困扰开发者的瓶颈愈发明显：模型高度依赖上下文，一旦会话结束或超出窗口长度，前序信息很难持续生效。对企业而言，这意味着客户偏好、业务规则、历史决策与跨周期任务往往需要反复输入与核对；对智能体而言，则容易出现目标漂移、执行中断、解释不可追溯等情况，难以形成稳定的“连续自我”。 原因——行业长期聚焦“更强的脑”，忽视“更好的记忆” 业内普遍认为，此瓶颈主要来自三上：其一，长期以来技术竞争更集中模型能力上，因为投入产出更容易量化对比；而记忆更偏系统工程，评估体系与工程落地门槛更高。其二，检索增强生成等方案虽能在一定程度上“查资料”，但更像外部检索与临时拼接，缺少对经验的结构化沉淀和持续演化机制。其三，超长上下文通常带来更高推理成本与延迟，在端侧或企业私有化部署等场景很难同时兼顾效果与成本。 鉴于此，盛大集团全资孵化的EverMind团队近日对外系统性展示人工智能记忆操作系统EverMemOS。团队联合创始人邓亚峰表示，如果每次会话结束后理解都被“清零”，智能体就难以承担跨时间跨度的复杂任务；长期记忆能力将直接影响智能体能否从“工具”走向“长期协作伙伴”。这一方向也被外界视为企业对底层技术长期投入的一次集中体现。 影响——从“单次对话”走向“长期任务”的产业拐点正在形成 随着智能体在客服、营销、运维、研发管理等领域加速落地，行业对“可持续记忆”的需求正从加分项变为刚需。一上，长期记忆有助于将用户偏好、业务流程、合规边界等沉淀为可追溯结构，减少重复沟通与人工校验；另一方面，它能支撑跨周、跨月的长链路任务，让智能体对阶段性目标、关键决策和异常处理形成连续记录，从而提升可靠性与可控性。 同时，记忆系统的成熟也可能带来新的产业分工：模型负责通用推理能力，记忆与工具调用等基础设施承接行业知识与个体经验，形成“通用能力+行业沉淀”的组合式创新，降低应用开发门槛，加快规模化复制。 对策——以“记忆生命周期”替代静态存储，兼顾准确率与成本 据EverMind发布的论文介绍，EverMemOS尝试以“自组织记忆”将对话与任务经验转化为可演化结构，构建类似生物认知过程的记忆生命周期机制：一是形成情景痕迹，将对话流拆解为可管理的记忆单元，记录事实、时间边界与前瞻信息；二是进行语义巩固，把记忆单元动态组织为主题化结构，提炼更稳定的语义，并持续更新用户画像；三是通过重建式回忆，在需要推理时检索并组合“必要且充分”的上下文，以较低令牌消耗获得较高准确率。 团队称，该机制意在避免两类常见代价：一类是完全依赖超长上下文带来的算力与时延压力；另一类是单纯依靠外部检索造成的语义断裂与“只检索、不记忆”。在评测层面，EverMind表示其系统在LoCoMo基准上取得93.05%的准确率，并在多跳推理与时序任务等细分项上提升明显；对应的结果也被团队用于回应“记忆基础设施是否成立”的核心质疑。 前景——记忆底座或成智能体竞争新赛点，仍需跨越工程与治理门槛 业界人士指出，长期记忆正在从产品功能上升为基础设施能力，未来竞争焦点不止于“能答对多少题”，还包括“能否长期一致、可解释、可审计”。从应用侧看，记忆系统有望在企业知识管理、个性化服务、长期项目协作等场景释放价值；从技术侧看，如何进行记忆压缩与遗忘策略设计、降低噪声与幻觉传播、实现跨模型与跨应用迁移，将决定其可扩展性。 此外，长期记忆也对数据安全与合规提出更高要求：哪些信息应当被记住、保存多久、如何可控删除、如何防止敏感信息被不当调用，都需要在产品设计阶段划清边界，并与行业规范衔接。