AI记忆赋能多场景：视觉、教育与安全的创新实践
"拼到最后，拼的是'判断力'——该记住什么、该忘记什么、该不该信。"
AI记忆是近半年行业最热的话题之一，但关于“memory到底是什么”，全球AI从业者尚未达成统一共识。一场聚焦智能体记忆的圆桌活动上，来自通用记忆基础设施团队、硅谷视觉记忆初创企业、头部网络安全厂商与老牌教育科技企业的四位嘉宾，从底层技术到垂直场景展开了深度探讨。最具启发性的不是观点的统一，而是两家做底层记忆基础设施的企业，做出了完全相反的战略选择——这背后藏着所有AI基础设施开发者都必须思考的核心问题：你搭建的这层技术，会不会被大模型本身“吃掉”？
一个核心判断：文本记忆终将被大模型覆盖
硅谷视觉记忆初创企业的创始人沈俊潇，曾任职Meta研究科学家，早在两年前就明确了一个判断：文本记忆这一赛道，最终会被大模型本身覆盖。
他的逻辑基于行业演化路径：三年前ChatGPT刚推出时，行业对memory的理解是“在模型外加一层RAG系统”；后来MemGPT（后续更名为Letta）开始探索个性化记忆；到近期的OpenClaw、Claude Code，则转向纯Markdown索引文件系统——本质上是给模型提供一个“图书馆索引”，让模型自主查找所需信息。这条演化的核心驱动力，并非记忆技术本身的进步，而是大模型的上下文窗口不断拉长、能力持续提升。简单来说，在模型之上搭建的记忆系统（即“agent harness”），会随着模型能力的增强而越来越薄。
"如果这个判断成立，那对一家想做'基础设施'而非'应用'的公司来说，把宝押在文本记忆上是危险的——这一层会不断被模型本身蚕食，而且做得好的往往不是基础设施公司，是真正懂业务的应用方。"
因此，Memories.ai从成立之初就没有涉足文本记忆，而是All in视觉记忆赛道。其核心逻辑非常直接：视频并非大语言模型的原生输入载体，信息熵极高，必须经过压缩、编码转化为结构化信息后，模型才能理解并调用——这一层技术足够底层，且不会随着业务场景的变化而被“变薄”。
经过两年的技术迭代，该团队将视频编码所需的embedding数量从10个压缩至1个，编码成本降低至少100倍，存储成本降低至少50倍。目前，1000小时视频的存储成本仅为20元，编码成本仅需100美金。他们还与高通、英伟达达成战略合作，可将编码模型直接部署在本地摄像头或终端设备，视频本身无需上云，仅将脱敏后的结构化信息上传至云端的“视频数据湖”。沈俊潇将这套技术定位为物理AI落地的第一步：机器人并非物理AI的起点，让AI通过摄像头先看懂真实世界，才是核心前提。
另一种选择：深耕通用记忆基础设施
另一家通用记忆基础设施团队则选择了完全相反的路径——他们笃定“通用记忆”赛道仍有巨大空间，文本与结构化数据的记忆方案远未到天花板。
该团队的核心逻辑带有鲜明的哲学色彩：将智能拆分为推理与记忆两个模块，推理对应“逻辑性智能”，记忆对应“主体性智能”。早在两年前，其背后的孵化团队就发布了长期记忆白皮书，预判智能体将成为AI最佳应用场景，这一判断如今已得到验证。
该团队采用自下而上的四层架构搭建通用记忆系统：最底层为interface层，负责接收各类异构数据；向上是memory层，将原始数据结构化并支持增删改查；再上层为index层，专门解决记忆召回的准确率、时延与成本问题，为此专门训练了专属模型；最顶层为agent层，对接各类应用场景，并预留了充足的自定义空间，通过开源社区反哺实际应用场景。
这套架构已孵化出多款产品：开源框架EverOs星标量破万；将记忆与十万个技能打包为完整工具链的Raven，发布三天星标量即破千，可实现代码级重写，并能随着使用不断优化调用路径；面向无编程能力普通用户的EverMe应用也已上线。最新的技术进展是将“推理”能力整合进记忆系统，可实现400步推理过程中记忆的持续更新，意味着长链任务中的智能体不会中途“失忆”，无需从头开始。
"沈俊潇和韩云芸私下相识，彼此评价对方'选了一条很有价值的路'——但两条路径的分野说明，记忆赛道目前仍远未到收敛阶段，押注模型能力天花板还是地板，决定了完全不同的产品形态与商业模式。"
真实场景的核心痛点：不是模型不够聪明，而是不敢信任
如果说两家基础设施企业在争论“该搭建什么样的底层技术”，那么两位场景方嘉宾的分享，则揭示了为何看似完美的记忆架构，在真实业务中往往难以落地。
国内头部网络安全企业的创始人司红星分享了一个扎心的行业现实：他们的客户多为电力、能源、金融等国家关键基础设施单位，数据必须离线部署，无法使用Claude、GPT-5.6等顶级大模型，只能采用27B级别的开源小模型。这类模型能力有限，执行长链任务时极易陷入“自旋”——反复调用同一工具却无法跳出，甚至开始产生幻觉。他们的解决方案是搭建了一套反思与自旋检测机制：一旦检测到异常行为，强制中断当前流程，从记忆库中检索“历史是否遇到过类似问题”，将过往经验重新注入上下文后再继续执行。同时，记忆系统自带打分机制，从关联度、时效性、用户偏好等八个维度为每条记忆评分，越陈旧的记忆权重越低，召回时按权重加权计算。
"他坦言：智能体目前尚未在网络安全一线真正普及，大部分仍停留在实验室阶段——原因并非技术不成熟，而是这类客户'不允许试错'，一旦智能体错误关闭某个外网接口，可能直接影响居民用电用水。在容错率极低的行业中，记忆系统的核心价值不是'更聪明'，而是'更可控'。"
老牌教育科技企业的张民松则从教育场景给出了几乎同构的结论。他将AI在教学中的应用瓶颈归纳为两个关键词：边界与可信度。边界指的是教学的顺序性与阶段性不能被打破——同一道数学题，三年级只能用算术方法解答，不能提前使用一元一次方程，哪怕后者“更高效”，在教学场景中也属于超纲，是错误答案。可信度则涉及内容合规性与学科准确性，合规性是教育伦理的基本要求；而在学科准确性上，通用模型普遍呈现“高年级不如低年级、文科不如理科”的规律——比如数学学科小学阶段基本可用，初中阶段就容易出错，到高中阶段输出结果基本“面目全非”。他们的解决方案是将内容边界作为约束直接注入记忆层，并依托三十年积累的底层教学内容降低模型输出的方差，而非单纯依赖模型自身的能力。
最终的竞争：拼的是“判断力”这一层
将四位嘉宾的观点整合后不难发现，这场关于memory的讨论，表面上争论的是“记忆该如何存储、该用RAG还是Markdown”，但真正的分歧与价值，最终都落脚于同一件事：该记住什么、该忘记什么、该不该相信——这种判断能力，才是记忆赛道真正的稀缺资源。
沈俊潇的判断是“文本记忆的决策应交由业务方，基础设施应转向视觉这类大模型尚未覆盖的领域”；该通用记忆团队的判断是“通用记忆架构本身值得深耕，且可推动推理与记忆协同进化”；司红星的判断力体现在“何时该强制中断智能体、去哪里寻找类似经验”；张民松的判断力则体现在“这道题当前是否适合教授、这句话是否合规”。大模型的推理能力越来越强、成本越来越低，已是行业共识，但谁来告诉模型“这件事上你该谦虚一点、那件事上你该固执一点”，才是记忆赛道真正的竞争焦点。
圆桌对话的核心细节
在对话中，沈俊潇进一步阐释了memory的定义演化：三年前ChatGPT刚推出时，行业对AI memory的理解是“模型加一层RAG”；后来逐渐演变为个性化记忆，再到OpenClaw等方案转向纯Markdown索引系统。而随着自我进化智能体的出现，memory的作用也从个性化转向自我进化。他认为memory是一个庞大的概念，可分为企业智能体记忆、个人智能体记忆、智能体自身记忆与自我进化记忆，而视觉记忆则是为未来物理AI准备的专属记忆。
该通用记忆团队的韩云芸则分享了团队的初衷：团队从脑科学视角出发，认为记忆是智能的核心组成部分，希望在AGI到来前构建面向智能体的记忆基础设施。他们的四层架构从内部孵化的AI应用中抽象而来，包括企业协作平台Tanka中的用户记忆、智能体记忆与群组记忆等场景，通过开源方式与开发者共建通用记忆范式，相关技术成果已在ACL、KDD等顶会做口头报告，召回准确率达到行业领先水平，延迟与成本仅为全上下文LLM的1/10，上下文窗口可扩展至100M。
司红星则介绍了其团队推出的AI智能体MemorFit的独创性设计：针对网络安全场景的离线部署需求，团队采用27B级别开源模型，针对模型能力不足导致的自旋问题设计了反思与中断机制，并通过外部观察者模型生成结构化记忆条，结合多维度打分机制优化记忆召回。该产品已面向网络安全攻防场景开放下载。
张民松则从教育场景出发，提出智能体记忆的设计必须遵循教育的闭环逻辑：通过追踪、记录、分析学生学习过程数据，形成教学评一体化的闭环，以此明确记忆的更新与解耦逻辑，这也是教育场景下智能体记忆的核心准则。
