"东谈主类智能 = 推理 + 长期记忆"。

当 AI 推理能力的竞赛参加尖锐化，通盘行业运转强劲到：infra 层面的记忆缺失，正成为规定 AI 走向个性化与自进化的最大瓶颈。

莫得长期记忆的 Agent，就像一个固然考上了清华、但每天醒来皆不阐明亲妈的天才。而无数涌入记忆赛谈的公司，好多本色上仅仅在作念向量数据库，把数据存起来，等东谈主来检索。

EverMind 想作念点不雷同的。这家由恢弘集团孵化的公司，定位是为通盘 AI Agent 提供一个通用的 " 记忆层 "（Memory Layer）。它的中枢家具 EverOS 是一套开源的长期记忆系统，开发者不错把它接入我方的 Agent，让 AI 不仅能记着用户的历史对话和偏好，还能像东谈主雷同对记忆进行整理、更新，甚而从往时的造就中学习和进化。

EverMind 的 CEO 邓亚峰，是一位在 AI 规模深耕二十余年的老兵。他毕业于清华大学，曾任 360 集团副总裁兼 AI 究诘院院长、格灵深瞳 CTO，在打算机视觉、多模态 AI 和 AI 制药等规模深耕多年。2025 年，他加入恢弘，带队从零启动 EverMind 的长期记忆技俩。团队仅用四个月就在多项记忆评测上达到了 SOTA。

咱们与邓亚峰进行了一次对话，聊了聊他为什么押注长期记忆，以及这项时间到底要贬责什么问题。以下是对话实录，为阅读体验稍作剪辑。

为什么是 Long-term Memory（LTM）

硅星东谈主：在视觉、多模态、AI 制药这些规模皆作念到过很好的收获之后，您是奈何锁定 " 长期记忆 " 这个标的的？

邓亚峰：作念 AI 制药的时候我最大的体会是，当数据产生得慢、不成快速迭代，时间越过便是有限的。是以之后选标的，我就想找一个能快速作念数据迭代闭环的规模。也探究过机器东谈主，但落地周期太长、数据取得困难。转向言语模子之后，又靠近大模子在吞吃一切的问题。OpenAI、Anthropic 车轮滔滔，创业公司的空间越来越小，必须找到一个有专有性的细分赛谈。

长期记忆正好得志这几个要求：它是下一代 AI 的必备特质，究诘得很少，跟推理能力相对正交，有很强的计谋孤苦性。其时这个标的相对冷门，天下还在作念 LLM 模子、Agent、post-training，但我认为莫得记忆功能的 Agent，用户体验一定是受限的。今天这照旧成了行业共鸣。

恢弘这边的视角也很专有。陈天桥先生往时十多年一直在 sponsor 脑科学和 mental health 的究诘，对东谈主类智能的机制机理尽头感敬爱。这几年 AI 的发展让他运转机念考一个问题：东谈主类智能正好不错简化为"推理 + 长期记忆"，推理这一半照旧有无数巨头在卷了，长期记忆是不是一个极具计谋孤苦性的标的？这个判断和我我方的念念考刚好吻合。

硅星东谈主：在您看来，Long-term Memory 到底要贬责什么中枢问题？

邓亚峰：三件事。

第一，打破有限的高下文长度。面前模子高下文窗口基本到了 1M token，但记忆数据量超越这个规定就没法用了。现存的 RAG 或压缩决策皆是工程和解，不是最优解。咱们作念 memory，本色上是帮模子更好地管束高下文，在极高压缩率、低 token 虚耗的前提下，让模子灵验诓骗无穷的历史信息。

第二，完结信得过的个性化。东谈主在沟通中会为对方培植 profile：身份、偏好、价值不雅、言语作风、成见。LTM 便是帮 Agent 构建和爱戴这么的用户画像，交互越多越懂你。自然，LTM 的个性化培植不仅限于 Profile Memory。

第三，Self-evolving，自进化。今天的 AI 靠 offline training 进步能力，在和用户交互的经过中并不会变得更贤人。我认为下一代 AI 一定是在交互中学习的，是一种 online learning。Long-term Memory 是完结自进化的关键：通过纪录和分析交互的告捷与失败，转头最好扩张，学问和念念考花式皆随之越过。

这三件事和东谈主类进化出长期记忆的旨趣是雷同的。旷古时间，那处水草丰茂你要记着，那处有危机你也要记着，同期你还要证据季节和天气去瞻望翌日，这片草地会变得更湿润照旧会发激流。况且究诘标明，长期记忆匡助东谈主类组织试验样本，把不同造就分类团聚，是以东谈主的泛化能力远强于模子。模子是把所稀有据不作念划分地扔进去试验，很容易过拟合，或无永逝求概率。东谈主脑的长期记忆机制让学习更有结构，泛化更强。AI 的 Long-term Memory 要作念的，本色上亦然这件事。

Memory Layer 和 Agent 层

硅星东谈主：您提到的个性化和自进化，听起来更像 Agent 应用层的功能，不像 infra layer 能作念的事？

邓亚峰：这是一个很好的点。Infra layer 能作念一部分。咱们最近在作念一个行将开源的 feature，基于 memory 的自进化。不同 Agent 把运行的 trace 放到我的 memory 里，我不错证据告捷和失败的造就去转头最好 SOP。比如你作念了一个任务告捷了，我作念了一个访佛的任务失败了，当我把无数用户的造就积聚下来，就不错 learn from experience。这在记忆层是不错作念到的。

如若想作念得更深，比如基于用户响应作念强化学习，那如实需要 Agent 层和 Memory Layer 协同。但 Memory Layer 在其中饰演关键扮装：帮 Agent 层组织数据，就像东谈主脑长期记忆扶植学习的机制雷同。

硅星东谈主：在您看来，接入 Memory Layer，Agent 最直不雅的智能进步体面前哪？

邓亚峰：四个维度。

第一是服从，token 的极致压缩。这对规定资本至关贫瘠。如若咱们的家具能让 token 数相称着落，这件事的买卖价值詈骂常大的。

第二是告捷率。咱们作念了基于 skill 的自进化机制，Agent 不错从往时造就中学习，某些成见实测进步了 234.8%。比如你昨天用一个功能可能还会失败，但这两天有几个东谈主也用过了，系统学到了其中告捷的造就之后，你今天再用就告捷了。系统会变得越来越好。

第三是个性化。不同用户有不同的高下文和记忆，每个东谈主的助手体验皆唯独无二。咱们里面有个 AI Native 的合营平台叫 Tanka，提供基于长期记忆的 AI 助手。背后的 LLM 和推理时间是雷同的，但因为每个东谈主的记忆不同，聊出来的终结就绝对不雷同。

第四是主动性。纪录了用户的活动历史之后，Agent 不错瞻望下一步需求。比如我知谈你每天这个时候要买杯咖啡，我就不错提前辅导你。再进一步，我甚而不错提前把事情作念了，再问你 " 这是不是你要的终结？" 就像一个能预判需求的好职工，你莫得 assign 的职责他照旧作念收场。

记忆奈何更新，Z6尊龙凯时中国官方网站奈何 " 健忘 "

硅星东谈主：我用 GPT 粗鄙碰到这个问题：我的活命照旧更新了，但它对我的衔接还停在之前。比如之前跟它聊过的东谈主事物，在我现阶段的活命里照旧不贫瘠了，但它还老是拿起，就让东谈主以为很烦。EverMind 奈何处理记忆的冲突和落后信息？

邓亚峰：咱们的机制分两步：在行踪求（Online Memory Extraction）和离线进化（Offline Memory Evolution）。

在行踪求，信息进来后作念 boundary detection，把归拢 topic 的内容聚到一谈，索求事实性的情景记忆（episodic memory），再瞻望这个事实对翌日的影响，咱们叫 forecast。记忆不仅仅归档，要能管事于翌日的决策。

离线进化，系统按时作念几件事：在更大范围信息上提真金不怕火用户 profile；作念反念念和刷新，有点像 Claude Code 里 "dream" 作念的事，让模子回头谛视之前的判断对分歧；还有处理记忆更新，通过记忆聚类策略（merge），把相似话题聚在一谈，冲突信息按时刻线用最新的作念 update。

渐忘直露讲是更难的。Update 相对容易，用最新的信息替代老的就行。但渐忘有一个周期性的问题：你昨天提到一个东谈主，系统以为他贫瘠；一星期前呢？一个月前呢？是不是就该忘了？咱们面前是在离线策略中把每条信息的时刻放进去，结伙咱们的瞻望翌日功能，让模子我方去测度这条信息的时效性。直露说，在现时这个时刻点还莫得作念到尽头联想，但我认为它是一个会被渐渐贬责的问题。

我的判断是：AI 的 " 渐忘 " 不应该是物理删除，数据存在磁盘上不贵，而是一种权重调度策略。近期信息权重高，远期信息权重低，但需要时仍能找回。东谈主类为什么需要渐忘？两个原因：一是东谈主脑是稚子耗系统，记太多东西能耗扛不住；二是你需要基于近期信息作念决策和瞻望。AI 不存在第一个规定，它只需要在决策中把时效性和贫瘠性合理探究进去。从这个角度说，AI 的渐忘机制施行上不错比东谈主类更优。

开源生态与大厂竞争

硅星东谈主：EverOS 照旧在 GitHub 上开源。但 OpenAI、Anthropic 也皆有我方的记忆功能，用户照旧积聚了好多偏好数据在他们的平台上。第三方 Memory Layer 奈何找到我方的位置？

邓亚峰：咱们的定位是作念一个 memory layer for agents，翌日通盘 Agent 皆需要记忆功能，但没必要每个团队皆我方建一套 infra。咱们但愿成为阿谁契约数。

大厂一定会作念记忆，但第三方记忆层的空间来自一个肤浅事实：用户不会只用一个家具。你不会只用 Claude，也不会只用 OpenAI。你在各个家具上的历史信息皆有价值，是以反而需要一个信得过属于我方的跨平台记忆管束器用。这件事的驱能源是用户需要，不是咱们想作念照旧大厂想作念。

另外，memory 管束不需要最顶尖的大模子。咱们用 4B 的模子能作念到 235B 级别的终结，更快、资本更低。对开发者来说，memory 将来不是 " 能不成 " 的问题，而是性价比的问题。

开源策略上，咱们尽头透顶：开源版和腹地部署等价，数据绝对留在腹地，得志秘籍要求高的用户。同期也有云版块，让不想我方部署的小团队即插即用。最中枢的算法全部开源。咱们也在作念一件事，帮用户把 Claude Code、OpenAI 和其他 Agent 里的 memory 数据买通，跨平台、跨端、调和管束。跟好多东谈主聊完发现，这是一个很刚的需求。

硅星东谈主：记着的信息越多，安全风险也越大。这方面奈何均衡？

邓亚峰：两个层面。信息安全，也便是记忆会不会泄漏，这跟云管事的安全挑战是等价的，需要塌实的时间保险。另一个是系统要对明锐信息作念过滤。比如用户告诉你密码、银行账号，咱们有个 vault 机制，把崇高锐信息贫瘠存放，只在非凡情况下激活。

部署模式上，记忆的联想形态是云表和端侧结伙。用户的数字钞票存在腹地拓荒上，复杂处理借助云表，双方作念同步。咱们的模子照旧不错作念得很小，将来拓荒能跑 4B 模子，打算就不错绝对部署到端上。

如若 AI 记着了你的一切

硅星东谈主：如若 AI 领有了尽头长周期、尽头精准的记忆，它就不再仅仅器用了。您但愿您的 AI 助理记着什么，不想让它记着什么？

邓亚峰：我以为翌日最联想的景况有两种。一种是 " 贾维斯 "，24 小时随着你的 AI，你的任务和意图皆通过它完成，它只需要你证明终结。另一种是数字分身。AI 弥散了解你之后，不错代表你去 " 打工 "，大致作念 Agent 外交。咱们每个东谈主皆有好多两年皆不会聊天的一又友，但互相可能有值得沟通的信息。东谈主是串行的，AI 是并行的，你的数字分身不错和他的数字分身聊天，发现共同话题了来告诉你，" 你们两个应该聊聊这件事儿。" 这让我以为尽头 exciting。

至于记什么、不记什么，联想的 AI 要有范畴感和情商，知谈哪些话题在情感上是明锐的。不外专诚义的是，东谈主和 AI 的相处无意比东谈主和东谈主更容易，你自然认为 AI 跟你是一边的，反而更幽闲倾吐一些不会跟一又友说的事情。

硅星东谈主：我对 memory 有个感受：它有点像东谈主类对时刻感知的演变。在腕表普及之前，你外出之后其实不知谈面前是几点几分了，对时刻唯唯独个拖沓的感知。而面前有了手机，你不错遍地随时知谈面前的时刻。而东谈主类面前对记忆的感知，就像腕表出现之前东谈主类对时刻的感知进程。您以为，如若 AI 有了精准的长期记忆，东谈主对本人资历的感知会不会也发生访佛的转化？

邓亚峰：这个比方尽头好。面前的东谈主类就像钟表刚发明时的景况，对我方作念过什么有梗概感知，但不精准。如若 AI 能长周期地精准纪录和管束你的个东谈主数据，东谈主对自我的了解会上涨到一个面前无法联想的进程。

况且 AI 的记忆能力不错弥补东谈主类的一个先天规定：东谈主的能量有限，是以有东谈主擅长宏不雅打算，有东谈主擅长细节，很少有东谈主两样皆强。但 AI 的 Long-term Memory 不错既帮你梳理三年来的大事头绪、作念更有远见的打算，又能在你需要时精准调出三年前某个时刻的具体细节。宏不雅和微不雅好意思满结伙，这是 AI 在 memory 上信得过让东谈主应许的方位。

博亚体育app中国官网入口Z6·尊龙凯时「中国区」官方网站