夜雨聆风【导读】你的 AI Agent 再聪明，换个应用就什么都不记得。Walrus 在 6 月 4 日正式发布 Walrus Memory，定位 AI agent 的「可携带记忆层」——agent 在不同 app 之间迁移时可以带走自己的上下文、权限和决策痕迹。发布帖超过 20 万次查看。这件事的核心指向一个越来越尖锐的问题：agent 的长期记忆，到底该归平台还是归用户？
Agent 越强，失忆越痛
2026 年的 AI Agent 已经能帮你写代码、跑数据、管日程、协调多个工具链。
但有一件事，几乎所有 agent 都做得很差：记住上一次发生了什么。
换一个 app，忘了。换一个 session，忘了。换一个 provider，彻底忘了。
这跟模型能力无关。Claude、GPT、Gemini 的上下文窗口越来越大，但上下文窗口再大，也只管得了当前这一轮对话。你关掉窗口，一切归零。
更要命的在后面：就算有些平台提供了「记忆」功能，这些记忆也被锁在平台内部。你在 A 平台积累的 agent 记忆，带不到 B 平台去。你甚至不知道平台到底记住了什么、谁能访问、有没有被篡改。
Walrus 团队在官方博客里把这个问题摆上了台面：
"Most agent memory lives locked inside platforms."
「大多数 agent 记忆都被锁在平台内部。」
Walrus Memory：让 Agent 带着记忆搬家
6 月 4 日，Walrus 通过官方 X 账号正式发布了 Walrus Memory。
▲ Walrus 官方 X 帖：「让你的 AI agent 在每个应用里都能携带上下文」，超 20 万次查看
官方给出的产品定义：
"A portable memory layer that lets your AI agents carry context across every app you run them in."
翻成中文：一层可携带的记忆层，让你的 AI agent 在你运行它的每个应用里都能带着上下文。
后面两个口号直指核心痛点：
"No more starting from zero. No more being locked into one platform."
「不用再每次从零开始。不用再被锁死在一个平台里。」
Walrus Memory 的核心目标：让 agent 的记忆变成用户自己的资产，可以跨工具、跨平台、跨 session 地携带和复用。
底层怎么做的？SDK + 链上权限 + 加密存储
Walrus Memory 的技术结构在今年 3 月的 beta 背景文和官方文档里已经公开。
核心架构是一套developer SDK + backend relayer的组合：
- 存储层
：agent 的记忆内容（对话、推理痕迹、工作流快照、长期知识）通过 Seal 做端到端加密，然后存入 Walrus 数据层。 - 权限层
：所有权和访问控制交给 Sui 智能合约管理。谁能读、谁能写、谁能把访问权限委托给第三方，都通过合约执行。 - 检索层
：relayer 和 indexer 负责 embedding、检索与恢复，让 agent 能快速调用历史记忆。
▲ 官方文档：展示了 Remember / Recall / Analyze / Ask 四类核心操作和 ownership / 加密 / 智能合约权限体系
基础操作被拆成四个动词：Remember（存入记忆）、Recall（检索记忆）、Analyze（提取结构化信息）、Ask（基于记忆回答问题）。
产品页还列出了兼容路线：支持 Claude、ChatGPT、Gemini 等主流 LLM，提供 OpenClaw 和 NemoClaw 的一方插件，原生支持 MCP 协议，SDK 覆盖 Python、TypeScript、JavaScript。
▲ 官方产品页：顶部标注「Build AI agents that remember with Walrus Memory」
需要注意：Walrus 声称这些兼容路线由它自己的 SDK 提供接入能力，目前没有证据表明这是与 Claude、ChatGPT、Gemini 各平台的官方联合发布。
比「聊天记忆」大一圈：它在做 Agent 的工作流协调层
如果只看「记住对话」，Walrus Memory 和市面上已有的 memory tools、向量数据库、Redis 方案很难拉开差距。
但 Walrus 在 4 月发布的 OpenClaw / NemoClaw 集成文章透露了更大的野心：多 agent 工作流的协调层。
▲ 3 月背景博客：Walrus 把 memory 定义为 agent 生产部署的瓶颈，提出 structured memory spaces 和 relayer 架构
在这个设想里，记忆的形态远超聊天历史：
- workflow checkpoints
：多步骤任务中断后可以从断点恢复 - reasoning traces
：agent 的推理过程被持久化，可追溯、可审计 - shared memory spaces
：多个 agent 可以共享同一块记忆空间，实现协作 - execution summaries
：每次运行的摘要被保留，跨环境、跨团队可复用
"open, portable, and not tied to a single vendor"
「开放、可携带，不绑定单一供应商。」
按 Walrus 的定位，这套东西更接近一个agent memory runtime，远超普通向量检索库的范畴。
社区反应：有人看到缺口，有人等着看 adoption
截至发稿，Walrus 的官方 X 发布帖已被超过 20 万次查看。
社区反应大致分三类：
认可方向的人。有开发者在回复里说「Portable memory is the missing piece for agents」——agent 真正缺的，是跨工具、跨时间的连续性。
提出产品追问的人。市面上已有大量 memory tools、plugins、向量数据库方案，Walrus Memory 到底有什么根本区别？Walrus 给出的差异化主张包括链上 ownership、delegate access、verifiable integrity 和一体化的 plugin + relayer + storage + smart contract 架构。但这仍然是产品层面的自我区分，市场还没有验证这套方案一定优于更成熟的 Redis、S3 或其他 agent memory 栈。
冷静观望的人。有回复指出，技术突破看起来重要，但最终要靠 adoption 来证明。这个判断成立——Walrus 目前能证明的是产品页、文档、SDK、开源仓库和生态引用都存在，但还不能凭这些证明自己已成为跨平台 agent memory 的事实标准。
还在 beta：别把蓝图当成品
几件事需要放在一起看。
第一，Walrus Memory 目前仍标注 beta。官方文档和 GitHub README 都明确写了：
"Walrus Memory is currently in beta and actively evolving."
「Walrus Memory 目前仍处于 beta，且在持续演进。」
这意味着 developer experience 还在打磨，运维指引还在补全，稳定性和 adoption 都不能按成熟基础设施来评估。
第二，GitHub 仓库（MystenLabs/MemWal）目前只有 26 个 star 和 6 个 fork。代码公开、Apache-2.0 许可，路线可接入、可审查，但规模上离「基础设施级别的社区共识」还有距离。
第三，「打破平台锁定」在当前阶段仍属于 Walrus 的产品主张和设计目标。它提供了一套围绕 portability、control、verifiability 的具体实现，但最终能否真正改变 agent 记忆的归属权格局，取决于开发者是否买账、生态是否跟进、链上方案在性能和体验上能否和中心化方案竞争。
记忆层正在从模型平台里独立出来
抛开 Walrus 这一家的具体路线，agent 需要独立于平台的记忆基础设施——这个判断正在被越来越多的工程实践验证。
上下文窗口能解决「当前对话」的记忆问题，但解决不了跨 session、跨工具、跨团队的长期状态管理。agent 一旦从「单轮对话助手」进化成「长时运行的多步骤系统」，就必然需要外部记忆层——而这层记忆放在谁手里、谁能控制、能不能迁移，将直接决定开发者和用户在 AI agent 生态里的自由度。
Walrus 给出的答案带着明显的区块链基建色彩：数据放 Walrus，权限交 Sui 合约，内容用 Seal 加密。这条路线不一定是所有 AI builder 想要的默认方案，但它确实指出了一个和「把所有记忆留在闭环平台里」完全不同的方向。
至于这个方向能走多远——答案在 adoption 里，在真实的多 agent 工作流里，在开发者用脚投票的选择里。
— END —
