你的AI助理记不住你——这才是它最大的问题

前几天出事了。

我的AI邮件助手不小心被删了。这个助手跟了我好几个月，了解我的工作习惯、偏好、语气，甚至知道我讨厌在凌晨收到通知。本来想着，重新从模板创建一个不就完了？结果新助手建好之后，体验差了十万八千里——我得从头教它我是谁、我的风格是什么、哪些事重要。

那一刻我才意识到：记忆，才是让AI变得”懂你”的核心。

而这篇博文的作者Harrison Chase（LangChain CEO）告诉我一个更扎心的事实：如果你用的是一个闭源的Agent框架，特别是那些把记忆存在服务商服务器上的，你根本不知道自己有没有在”出卖”最重要的数据资产。

回顾一下过去三年AI应用开发的演变脉络，特别有意思。

第一阶段：简单RAG链。 ChatGPT出来之后，大家都在做检索增强生成——扔一个知识库进去，接上大模型，搞定。那时候的框架就是LangChain，写起来像搭积木。

第二阶段：复杂工作流。 模型能力提升了一点，可以处理更复杂的流程了，LangGraph就出来了。状态机、条件分支、多步推理，开始有了”程序”的雏形。

▲ Agent应用演进示意

第三阶段：Agent Harness。 模型又强了一大截，强到可以自主决策、调用工具、跨会话工作了。这时候出现了一种新的 scaffolding，叫做”Agent Harness”——中文勉强可以翻译成”Agent马具”。

Harness是什么？它是包裹在LLM外面的一整套控制系统——负责管理工具调用、维护会话状态、处理记忆、规划下一步行动。

▲ Harness是Agent的”马具”

Claude Code、Deep Agents、Pi（也就是OpenClaw）、OpenCode、Codex、Letta Code……这些你听说过的”AI Coding工具”或”AI Agent”，本质上都是Harness。

有意思的是，很多人曾预测：随着模型越来越强大，这些外部 scaffolding 会被”吸收”进模型本身，Harness会慢慢消失。

这个预测错了。

Claude Code的源代码泄露时，人们发现它有51.2万行代码。这51.2万行代码就是Harness。模型提供商自己都在大力投入建设Harness——因为模型和Harness是分不开的。Web Search被”内置”到API里？那不是模型在搜索，是Harness在调用搜索工具。

结论：Harness不会消失，它会越来越重要。

这是文章最核心的观点，我必须重点说。

很多人（包括很多从业者）存在一个误解：记忆是一个独立的东西，可以像插件一样”插入”到Agent里。

这个理解是错的。

作者引用了Sarah Wooders（Letta CTO）的一个精彩比喻：

“问’怎么把记忆插入Agent框架’，就像问’怎么把驾驶功能插入汽车’。管理和利用记忆，是Agent Harness的核心职责和能力。”

▲ Agent记忆管理系统

Harness管理记忆的方式太多了：

• AGENTS.md / CLAUDE.md文件是怎么加载到上下文的？

• 技能元数据是怎么呈现给Agent的？（系统提示词？系统消息？）

• Agent能不能修改自己的系统指令？

• 哪些信息在压缩（compaction）后会丢失？

• 交互历史是怎么存储和查询的？

• 记忆的元数据是怎么呈现给Agent的？

• 当前工作目录怎么表示？文件系统信息暴露多少？

这些问题听起来是”实现细节”，但它们直接决定了你的Agent是”真的懂你”还是”每次都像在跟陌生人说话”。

Harness不只是一个”包装”，它就是Agent的灵魂和躯壳。而记忆，是Harness最重要的功能之一。

现在说最扎心的部分。

Harrison Chase把这个问题分成了三个严重程度：

轻度问题： 你在用有状态的API（比如OpenAI的Responses API，或者Anthropic的服务端压缩）。你的状态存在他们的服务器上。某天你想换一个模型，或者想恢复之前的对话线程——对不起了，做不到。

中度问题： 你在用一个闭源的Harness（比如Claude Agent SDK，底层是Claude Code，但代码不开源）。这个Harness怎么和记忆交互、交互出什么东西、数据的格式是什么——你全都不知道。你没法把这段记忆迁移到另一个Harness里。

重度问题： 整个Harness，包括长期记忆，全都在一个封闭API后面。

▲ Claude Managed Agents将一切锁进API

这时候你面对的局面是：

• 你不知道Harness是怎么运作的

• 你不知道你的数据存在哪

• 你甚至不拥有那些记忆——服务商说删就删，说改就改

扎心吗？更扎心的是，这正是各大模型厂商拼命引导你走的方向。

Anthropic推出了Claude Managed Agents，把一切都锁进API里。OpenAI的Codex是开源的，但它生成的压缩摘要（compaction summary）是加密的，出了OpenAI的生态就用不了。

为什么他们这么做？

因为记忆 = 锁定 = 护城河 = 商业利益。

回答一个问题：为什么”记忆”这件事值得厂商们大费周章建壁垒？

因为没有记忆的Agent，在竞争上几乎没有护城河。

给大家算一笔账：

没有记忆的时候，你的AI邮件助手和别人的AI邮件助手有什么区别？大家接的都是同样的工具、同样的模型，prompt调一调大差不差。用户换服务商的成本趋近于零。

有了记忆就完全不一样了。Agent在和你长期交互的过程中，积累了大量关于你的私有数据——你的偏好、你的语言风格、你的工作流程、你关心的话题。这些数据构成了一个专有的用户画像数据集。

▲ 记忆构建数据飞轮

这个数据集，才是真正值钱的东西。

它让：

• 你的体验越来越个性化、越来越懂你

• 竞争对手复制你的体验变得极其困难

• 你有了一个数据飞轮——用得越久，数据越多，体验越好

Harrison举了自己的例子：邮件助手被删了之后，他体验到了什么叫”从零开始”——那种落差感让他真正理解了记忆的价值。

没有记忆的AI，是没有灵魂的；没有所有权记忆的AI，是没有护城河的。

说了这么多问题，解法是什么？

LangChain的答案是：Deep Agents。

Deep Agents的核心逻辑是——记忆应该独立于模型提供商，开放且可迁移。

具体来说，它具备这些特性：

• 开源：代码开放，审计透明

• 模型无关：可以用任何大语言模型，不被某家绑定

• 使用开放标准：支持agents.md、支持各种skills

• 记忆存储开放：可以接MongoDB、Postgres、Redis，也可以自带数据库

• 可自托管：部署在任意云上，不被某家生态锁定

▲ Deep Agents架构

本质上是：让你的记忆层变成一个你可以完全控制的组件，而不是某家模型厂商服务器上的一行数据库记录。

读这篇文章的时候，我一直在想一件事：

我们这波AI从业者，到底是在建设真正有价值的AI应用，还是在帮模型厂商建壁垒？

如果你的Agent记忆全在别人的服务器上，如果你的用户数据全都绑定在某个封闭API后面，如果有一天那个服务突然涨价或者关停，你有什么应对方案？

大多数人的答案是：没有。

Harrison Chase这篇文章，本质上是在大声疾呼：记忆是AI应用的基石，如果你不拥有它，你就是在给别人建护城河。

对于所有正在基于大语言模型开发应用的开发者来说，这句话值得抄下来贴墙上：

Model providers are incredibly incentivized to do this. And they are starting to.

模型提供商会用一切激励手段让你把记忆交给他们。而他们已经开始了。