讓AI像人類一樣記憶，

這家公司如何拿下AI競賽的下半場門票。

前不久，LMArena.ai對全球大模型的市場地位變化做了統(tǒng)計(jì)后，得到了一個有意思的發(fā)現(xiàn)：

自2023年年中起，SOTA模型的迭代周期被快速壓縮至35天，曾經(jīng)的SOTA模型，只要短短5個月就可能跌出Top5，7個月后連Top10的門檻都摸不到。

但SOTA不斷更新的背后，模型的確在進(jìn)步，但曾經(jīng)ChatGPT、Deepseek這樣讓人眼前一亮的新產(chǎn)品卻越來越少，技術(shù)進(jìn)步已經(jīng)進(jìn)入了不斷小修小補(bǔ)卻始終難以突破的瓶頸期。

與逐漸偃旗息鼓的模型進(jìn)化形成鮮明對比的，是過去兩年多圍繞AI記憶形成的你方唱罷我登場的熱鬧。

其中，最先一步出發(fā)的，是2023年先后涌現(xiàn)出的諸如Milvus、Pinecone、faiss為代表的向量數(shù)據(jù)庫產(chǎn)品。

此后一年，建立在成熟的語義、知識圖庫以及關(guān)鍵詞檢索基礎(chǔ)上，2024—2025年期間，Letta（MemGPT）、Mem0、MemU、MemOS為代表的各種AI記憶框架，如雨后春筍般冒出，GitHub上各種Mem“X”系產(chǎn)品，多到可以組成連連看。

熱鬧很快傳導(dǎo)至模型玩家陣營，一周前，Claude被爆要在Cowork中為模型增加記憶能力引發(fā)的討論尚未消退，谷歌又緊隨其后，宣布了最新的Nested Learning成果，模型會根據(jù)上下文推理的結(jié)果自動修改參數(shù)實(shí)現(xiàn)模型記憶，再次引發(fā)行業(yè)嘩然。

而在場景側(cè)，代碼補(bǔ)全、情感陪伴、智能客服……模型+記憶的黃金商業(yè)模式，市場正誕生出越來越多跑通PMF的細(xì)分爆款。順著這條線，紅熊AI在內(nèi)，一些主打AI記憶科學(xué)解決方案商業(yè)的玩家，也隨之站到了聚光燈下，成為新的行業(yè)焦點(diǎn)。

記憶成為新的中場賽點(diǎn)已經(jīng)無可置疑。但關(guān)于如何給大模型加上記憶，如何讓模型更好地記憶，或許一直以來，行業(yè)都有三個誤解。

誤解一：

記憶=RAG+長上下文？

紅熊AI創(chuàng)始人溫德亮是行業(yè)老人了，但創(chuàng)業(yè)以來，每天都要應(yīng)對投資人與客戶的靈魂拷問：“你們的競爭對手是誰？”

問題看似普通，但回答起來，卻會讓人陷入兩難：說沒有對手像自大，說有對手又找不到真正對標(biāo)的玩家。

在2023—2024年AIinfra爆發(fā)期，RAG（檢索增強(qiáng)生成）技術(shù)一度成了AI記憶的代名詞。通過給模型外置一個向量數(shù)據(jù)庫，并存入各種企業(yè)的私有數(shù)據(jù)、專業(yè)文獻(xiàn)，大模型便能掌握在模型訓(xùn)練階段沒有更新的信息，以及私有數(shù)據(jù)知識。

在那一時期，投資人看項(xiàng)目必問RAG性能，客戶選型必定先比檢索準(zhǔn)確率，仿佛只要疊加上下文窗口、檢索優(yōu)化算法，AI健忘的痛點(diǎn)就能被盡數(shù)解決。

一時之間，全球范圍內(nèi)，做RAG框架的、做RAG解決方案的，以及更深一步做純私有化知識庫部署的團(tuán)隊(duì)如過江之鯽。飛書、釘釘、企業(yè)微信等巨頭可以靠著標(biāo)準(zhǔn)化以及數(shù)據(jù)沉淀做標(biāo)準(zhǔn)化，中小團(tuán)隊(duì)也能靠著私有化部署啃下一個又一個垂直場景。

但在商業(yè)中，一個認(rèn)知的共識程度越高，就說明它越正確，但也越說明這是個滯后變量。

RAG的思路沒有錯，但也會隨著技術(shù)的演進(jìn)而暴露出短板。2024年開始，溫德亮發(fā)現(xiàn)，傳統(tǒng)RAG似乎被大家過度神話了。在落地過程中，有時候即使只是最基礎(chǔ)的知識庫項(xiàng)目，RAG也能以各種意想不到的姿勢撞墻：

比如在法律類項(xiàng)目，經(jīng)常會出現(xiàn)大量語義相似，但是實(shí)際適用范圍、判例天差地別的場景。具體來說，法條中，有很多決定適用邊界的關(guān)鍵細(xì)節(jié)（如合同解除需催告程序等），在語義層面權(quán)重極低，會被整體相似性掩蓋；此外，法律體系的運(yùn)行不是孤立的文本匹配，需要遵循上位法優(yōu)于下位法、特別法優(yōu)于一般法、新法優(yōu)于舊法等等約束，但面對類似的沖突條款，模型只按語義相似度排序，而非優(yōu)先匹配效力更高的法條，就會導(dǎo)致整體理解出現(xiàn)偏差。更不用說，法律場景中，檢索本身一定是綁定案由、主體、地域等結(jié)構(gòu)化場景信息，比如人身損害賠償相關(guān)法條，可能與適用于交通事故和醫(yī)療糾紛的子條款語義相近，但舉證責(zé)任、賠償標(biāo)準(zhǔn)截然不同，純語義檢索完全無法精準(zhǔn)區(qū)分適配場景。

難度再升級，到了各種客服AI場景，即便針對場景做了定制化，把embedding、chunking、ranking全部做到盡善盡美，RAG方案依然會出現(xiàn)：在每天重復(fù)回答“XX條款的適用場景是什么”“還款日期如何計(jì)算”這類問題時，花費(fèi)不必要的檢索成本；而當(dāng)用戶跨會話咨詢時，AI更是像換了個人，完全不記得上一輪的溝通細(xì)節(jié)。

溫德亮很快意識到：基于語義檢索的RAG方案只能解決不到60%的真實(shí)需求，而客戶要的是完整場景化解決方案，能夠?qū)崿F(xiàn)一次咨詢、終身記憶，并且動態(tài)更新知識。

RAG作為一種被動的檢索工具，它的存在就像給AI裝了本外置詞典，能解決不知道的問題，卻解決不了記不住的核心矛盾。與此同時，在寫入側(cè)，RAG通常也只能以周為單位做離線的數(shù)據(jù)更新，無法實(shí)時動態(tài)地寫入用戶的即時會話內(nèi)容與關(guān)注重點(diǎn)。

在此基礎(chǔ)上，跨會話記憶丟失、信息無法動態(tài)沉淀、不會主動關(guān)聯(lián)經(jīng)驗(yàn)，這些都是RAG的能力盲區(qū)。

也是因此，在他看來，真正的AI記憶，必須復(fù)刻人腦的工作邏輯，能短期記得住，長期有常識，判斷有感情。

具體來說，人腦處理信息要經(jīng)過編碼、存儲、提取三大環(huán)節(jié)：外界信息會經(jīng)感覺皮層轉(zhuǎn)化為神經(jīng)信號，由前額葉篩選后傳入海馬體，再與既有知識網(wǎng)絡(luò)整合，最終按重要性存入大腦皮層；提取時則由海馬體聯(lián)動對應(yīng)區(qū)域激活記憶。

這是一套動態(tài)、實(shí)時、可寫入可檢索的智能系統(tǒng)，不僅解決了知道的問題，也讓“知道”本身內(nèi)化成為認(rèn)知與思考邏輯的一部分，優(yōu)化后續(xù)的思考、判斷與行為。

借鑒這套人腦的記憶－思維邏輯，紅熊AI據(jù)此打造了完整的記憶科學(xué)體系，并在今年1月推出記憶熊v0.2.0，把AI記憶拆解為顯性記憶、隱性記憶、聯(lián)想記憶以及動態(tài)進(jìn)化記憶，不同層之間通過智能算法動態(tài)流轉(zhuǎn)、在不同場合以不同的方式使用。

更關(guān)鍵的是，這套體系不止于讀、寫、存，還為記憶本身加入了情感加權(quán)、智能遺忘、跨智能體協(xié)同等能力，從底層重構(gòu)了AI記憶的邏輯。如此一來，不僅解決了存儲數(shù)據(jù)量爆炸，帶來成本飆升、上下文過長的問題，也為不同的記憶賦予不同的權(quán)重，從而讓記憶的利用變得更加高效。

誤解二：

事實(shí)檢索重于一切？

情商才能更好解決問題

解決了整體記憶體系架構(gòu)如何搭建的問題之后，紅熊AI的核心研發(fā)團(tuán)隊(duì)和所有技術(shù)團(tuán)隊(duì)一樣，開始把準(zhǔn)確率當(dāng)作記憶系統(tǒng)的唯一KPI。

團(tuán)隊(duì)里做工程與研發(fā)的同事占據(jù)多數(shù)，其中理工背景的男生又占據(jù)了大半，如此配置，最大的優(yōu)點(diǎn)是大家都有共同話語體系、思維能力強(qiáng)，在金融風(fēng)控、技術(shù)運(yùn)維等場景，這套邏輯可以跑得非常順。畢竟，這些場景中，事實(shí)優(yōu)先，錯一個數(shù)字都可能引發(fā)無法預(yù)知的風(fēng)險(xiǎn)。

但這么做的不足則在于：不分場合的過度坦誠與邏輯推理，本質(zhì)上就是冷漠與對抗的代名詞。

讓所有人意識到這一點(diǎn)的，是一個意外的客戶需求。

2025年，某發(fā)達(dá)省份婦聯(lián)找到了紅熊AI團(tuán)隊(duì)，表示他們希望用AI承接深夜情感咨詢、家庭糾紛求助。

梳理用戶需求時，團(tuán)隊(duì)很快發(fā)現(xiàn)，那些深夜的來訪者，他們的煩惱有時是非?，嵥椤⒕唧w，卻沒有標(biāo)準(zhǔn)解決答案的，甚至用戶來訪時，自己已經(jīng)有了判斷，只是需要一點(diǎn)來自外界的肯定與鼓勵。在這種場景中，用戶不需要也不存在所謂的精準(zhǔn)事實(shí)答案，他們需要的是被理解、被安撫、被肯定。比如，新用戶來電時，AI要快速識別情緒波動，引導(dǎo)他們情緒的宣泄；老用戶回訪時，要記得他們上次的困擾以及怎樣的安撫最為有效。

總而言之，犯錯要先道歉，情感困擾要先贊同理解共情，這些人類處事的情商準(zhǔn)則，AI落地也同樣需要熟練掌握。

這也倒逼紅熊AI攻克了記憶系統(tǒng)的情感難題：

通過給每段記憶貼上情感權(quán)重標(biāo)簽，可以從多維度量化用戶情緒。比如，文本場景中，我們可以通過負(fù)面/正面詞匯密度、句式（反問句、感嘆句）、情緒強(qiáng)度詞（“極其”“再也不”）綜合算出0-100分的情感分?jǐn)?shù)；語音場景中，則需要疊加語速、語調(diào)、停頓、音量特征校準(zhǔn)；多模態(tài)場景，還可以再加入面部表情識別，讓量化更精準(zhǔn)。

就如同朋友失戀了，我們需要先給對方一個擁抱，而不是追根究底分手原因做情感判官。對AI落地來說，情感權(quán)重不僅會決定記憶的優(yōu)先級，更影響AI的回應(yīng)邏輯。比如在紅熊AI的產(chǎn)品中，如果用戶上個月因物流延遲給出90分負(fù)面評價，那么這段記憶需要被存入長期記憶并貼上高負(fù)面標(biāo)簽。當(dāng)用戶本月再次詢問貨什么時候到，AI不能只機(jī)械回復(fù)物流在途，而是先安撫“抱歉之前讓你等久了，我?guī)湍悴榱藢?shí)時物流，馬上就能到”，再同步事實(shí)信息。

誤解三：

Agent的未來是標(biāo)準(zhǔn)化？

非標(biāo)才是行業(yè)宿命

今年年初，Manus的爆火與并購進(jìn)度，一度讓整個Agent賽道陷入狂歡。一時之間，復(fù)刻下一個Manus，做to B的Manus，成為了行業(yè)最熱門的議題。

資本在等待超級Agent的誕生，用戶也期待用一套產(chǎn)品，解決不同場景中的所有問題。但在大廠打過工，又在SaaS公司做過CTO，如今在自己創(chuàng)業(yè)的溫德亮腦海中一直有一個問號：agent的市場盤子的確很大，但真的能出現(xiàn)所謂的超級贏家嗎？

或許一個有些掃興的結(jié)論是，agent類產(chǎn)品的宿命，在革命SaaS，但也必須走上SaaS的老路。

革命SaaS的邏輯在于：記憶與工具的加持，讓Agent開發(fā)門檻大幅降低，從而針對每一個特殊場景提出針對性的解決方案，進(jìn)而瓦解傳統(tǒng)SaaS的場景壁壘。

而與這種無限細(xì)分的天然優(yōu)勢相伴隨的，必定是傳統(tǒng)中國SaaS的非標(biāo)碎片化詛咒。在實(shí)際開發(fā)中，溫德亮意識到，沒有一套標(biāo)準(zhǔn)化記憶系統(tǒng)能適配所有行業(yè)，甚至同一行業(yè)的不同品類都要差異化定制。哪怕都是電商銷售百貨，賣手機(jī)殼的商家和賣手套的商家，前者關(guān)注材質(zhì)、圖案，后者側(cè)重尺碼、舒適度，關(guān)鍵詞不同，記憶規(guī)則的制定也要有所區(qū)別。

到了情商的使用與落地，不同行業(yè)的情感權(quán)重占比更是天差地別。紅熊AI摸索出一套行業(yè)規(guī)則：售后客服、教育場景情感權(quán)重占40%—50%，必須優(yōu)先安撫情緒；醫(yī)療、金融風(fēng)控場景情商的需求僅占10%—20%，事實(shí)優(yōu)先；通用陪伴場景占20%—30%，貼合心情即可。這都需要漫長的行業(yè)摸索。

在這一背景下，紅熊AI必須在做好標(biāo)準(zhǔn)化能力的基礎(chǔ)上，接受在解決方案環(huán)節(jié)的非標(biāo)、苦生意的宿命，

首先是共性能力建設(shè)。

盡管，不同客戶的數(shù)據(jù)來源、數(shù)據(jù)處理流程，以及對記憶的需求模式不盡相同，但行業(yè)的長期趨勢是多agent協(xié)作、大模型將越來越多地利用起企業(yè)的多模態(tài)數(shù)據(jù)，這卻是共同的大趨勢。

也是因此，在記憶熊v0.2.0中，紅熊AI強(qiáng)化了其集群化Agent記憶協(xié)同能力，通過引入統(tǒng)一記憶中樞（Memory Hub），可以實(shí)現(xiàn)多Agent間的最小化、按需式記憶共享，解決傳統(tǒng)多Agent系統(tǒng)的記憶冗余、沖突問題。并同時支持主管模式（集中管控流水線任務(wù)）和協(xié)作模式（去中心化復(fù)雜決策），適配不同場景的智能體組織形態(tài)。

而針對多模態(tài)數(shù)據(jù)的處理需求，在知識庫層面，紅熊AI則推出了三大解析引擎（DeepDoc深度解析、MinerU智能提取、TextIn快速解析）實(shí)現(xiàn)100%版面還原，支持PPTX高保真解析、音視頻以文搜音，并通過向量+圖譜雙驅(qū)動檢索，將多跳推理準(zhǔn)確率提升至92.5%。

基于以上共性的能力建設(shè)，非標(biāo)的環(huán)節(jié)，則集中于行業(yè)詞匯庫積累、知識圖譜打造這樣的行業(yè)解決方案打造。

紅熊AI旗下記憶熊的產(chǎn)品設(shè)計(jì)結(jié)構(gòu)，我們可以理解為，產(chǎn)品頂層是一個由小模型不斷根據(jù)用戶輸入做動態(tài)調(diào)整的類似graph的知識圖譜結(jié)構(gòu)，類似導(dǎo)航圖，向下則是不同的數(shù)據(jù)庫組成的記憶管理模塊。

其中頂層的graph打造，是一個需要一個細(xì)分行業(yè)一個細(xì)分行業(yè)去硬啃的過程。首次拓展新的品類客戶，前期與客戶共建，做文檔以及知識梳理就需要花掉幾周的時間，此后，用戶的數(shù)據(jù)處理，也需要消耗整體25%上下的成本。

在這個過程中，也需要團(tuán)隊(duì)去不斷學(xué)習(xí)與積累不同行業(yè)的知識：比如醫(yī)療行業(yè)的負(fù)面詞不是“不滿意”，而是“疼痛、過敏、并發(fā)癥”；金融行業(yè)的核心詞是“平倉、建倉、凈值”，需優(yōu)先記憶；制造業(yè)的“故障、停機(jī)”則要強(qiáng)制存入長期記憶。

但另一個角度來看，這種前期開拓的非標(biāo)準(zhǔn)化以及緩慢，又會成為企業(yè)先發(fā)優(yōu)勢的由來。

過去十多年中，SaaS的成長路徑，往往遵循一個細(xì)分領(lǐng)域拿下燈塔客戶－沉淀出細(xì)分行業(yè)解決方案－全行業(yè)拓展的規(guī)律，其標(biāo)準(zhǔn)化程度雖然遠(yuǎn)不及互聯(lián)網(wǎng)，但企業(yè)的核心壁壘也正是在于這種細(xì)分行業(yè)認(rèn)知的沉淀。

針對不同行業(yè)的記憶打造同樣如此，有了前期解決方案的不斷細(xì)分，才會有后來的生態(tài)效應(yīng)與know how積累。

尾聲

進(jìn)入2026年，大模型的敘事，正從scaling law為核心的參數(shù)閃電戰(zhàn)，切換至記憶為主導(dǎo)的馬拉松式下半場。

而在大模型的下半場，記憶能力已經(jīng)成為拉開不同模型，不同agent表現(xiàn)的核心來源。圍繞這一套敘事邏輯，參與的玩家，既有模型廠、框架玩家這樣的上游infra玩家，也有紅熊AI在內(nèi)這樣的專業(yè)解決方案商。

這個過程，不如曾經(jīng)的百模大戰(zhàn)一樣的高舉高打，也注定不會像百模大戰(zhàn)一樣快速地決出階段性的贏家，給出所謂的標(biāo)準(zhǔn)答案。

但動物有了個體的記憶，才會有更好的生存；人類有了族群的記憶才有了文明；而記憶之于AI，或許正是新一輪產(chǎn)業(yè)進(jìn)化的起點(diǎn)。