夜雨聆风今年的WAIC（世界人工智能大会）上，几乎每家展台都在讲Agent。
但有一个话题，展台上没有大标题，却在几乎所有Agent厂商的私下交流里反复出现——记忆。
"Agent最大的问题不是不够聪明，是记不住。"一家做企业Agent的创始人说，"客户试用三天就放弃了，因为每天都要重新教一遍。"
这不是某一家的问题。今天所有的大语言模型，本质上都是"无状态"的——每次对话结束，记忆清零。它不会因为你昨天教过它而变得更懂你，也不会因为你纠正过它而下次避免犯同样的错。
从硅谷到上海，从YC孵化的明星项目到盛大陈天桥投资的基础设施公司，至少七八家团队在抢这个方向。它们的路线各不相同，背后是对同一个问题的不同回答：AI的记忆，到底应该长什么样？
——————————————————————————————
为什么Memory突然成了兵家必争之地？
先说背景。
2025年之前，AI主要活在聊天框里。你问一句，它答一句，答完就忘——这没问题，因为下次对话是全新的。
但从2025年底开始，事情变了。AI不再只是"问答机器"，它开始变成Agent——能执行任务、能调用工具、能跨多轮对话推进复杂工作。一个Agent可能要跟一个人协作几天甚至几个月。
没有记忆的Agent，就像一个每天失忆的同事。你每次都要重新交代一遍背景，它每次都要从零开始理解你。
2026年上半年，几件事加速了这个趋势：
- Claude Code 和 Codex CLI 普及了Agent编程，开发者发现Agent在长任务中频繁"忘记上下文"是最大痛点
- Claude Cowork 和 WorkBuddy把Agent从编程扩展到办公场景，记忆问题从开发者痛点变成了所有人都会遇到的问题
- Macaron 这个Personal Agent在上半年拿到了300万用户（其中相当部分来自创始人上一个产品Midrill的200万用户基础），商业化首两周ARR破千万美元，核心卖点就是"越用越懂你"
记忆不再是一个可选功能。它是Agent能否从"玩具"变成"工具"的分水岭。
——————————————————————————————
三条路线：七家公司，走的不是一条路
目前在AI Memory这个方向上，主要有三派。
### 第一派：给你一个"记忆U盘"
代表公司：Mem0、红熊AI、Zep
这派的想法很简单：记忆就是记忆。你提供一个API，Agent在对话的时候往里面存东西，需要的时候再查出来。
Mem0是最典型的。它在GitHub上有近5万星，YC孵化，拿了2400万美元。它的做法是：你调用 `add()` 存一段对话，它自动提取其中的事实和偏好；你调用 `search()` 查相关记忆，它用语义搜索返回最匹配的内容。
关键是，Mem0不关心你的Agent是用什么框架搭的——LangChain、CrewAI、AutoGen，还是你自己写的循环。它就是一个独立的记忆模块，插上就能用。
红熊AI在国内走类似路线，产品叫"记忆熊"（MemoryBear），定位是"给大模型装上生物海马体"。基于认知科学原理，把人类记忆的工作模式（编码→存储→检索→遗忘）搬到AI上。
Zep走的是企业级路线。它不只是存文本，而是构建"知识图谱"——把用户说过的人、事、时间、地点关联成一张图。检索速度快（200毫秒以内），有SOC 2合规认证，适合金融、医疗等对数据安全要求高的场景。
一句话：这派做的是"插件"。记忆在外面，Agent还是Agent。
### 第二派：给你一个"带记忆的房子"
代表公司：Letta、EverMind、记忆张量
这派认为，记忆不能是外挂的。它应该是Agent运行环境的一部分——Agent住在记忆里面，而不是记忆挂在Agent外面。
Letta（前身是学术圈大名鼎鼎的MemGPT）是这派的精神领袖。它的核心理念来自操作系统的虚拟内存设计：把LLM的上下文窗口当作"RAM"，把短期记忆当作"缓存"，把长期记忆当作"硬盘"。Agent自己决定什么该记住、什么该忘、什么时候从"硬盘"调取到"内存"。
这跟Mem0有本质区别。Mem0是开发者决定Agent应该记什么，Letta是Agent自己决定该记什么。Agent在推理过程中，觉得某件事重要，就自己调用记忆工具存下来；觉得需要回顾某段历史，就自己检索。
EverMind是这派的另一个代表。CEO邓亚峰之前在AI领域深耕多年，盛大陈天桥投资。他们的产品EverOS定位是"所有Agent的通用记忆层"，开源。邓亚峰有一个判断："模型能力差距正在缩小，真正构成差异化壁垒的是记忆与数据层"。
上海的记忆张量（MemOS）也是这派。刚拿了亿元天使轮融资，产品开源，定位"下一代智能体的记忆基础设施"。
一句话：这派做的是"平台"。Agent活在记忆里面，而不是记忆挂在外面。
### 第三派：记忆不是存出来的，是训练出来的
代表公司：Macaron（MindLab）
前面两派都在用"外部存储"解决记忆——不管是插件还是平台，记忆都存在某个数据库里。
Macaron走了一条更激进的路。
Macaron是Andrew Chen做的Personal Agent产品，主打"生活代理"——帮你订机票、安排日程、管理购物清单。300万用户，产品形态是一个手机App。
它的记忆方式跟所有人都不同：用户偏好不是存在数据库里，而是直接训练进模型参数里。
具体做法：用LoRA（低秩适配）技术，把用户的使用习惯、偏好、决策模式微调进模型权重。事实类信息（比如"我的住址是xxx"）仍然存在文件系统里，但"我喜欢什么样的餐厅""我习惯怎么安排行程"这种偏好级别的记忆，直接变成模型的一部分。
这派的想法是：外部存储永远有"检索不准"的问题——搜出来的记忆可能不相关，或者该搜的没搜到。如果把偏好训练进参数，模型在生成每个回复时，自然就会带着你的偏好。
一句话：这派做的是"大脑改造"。记忆不在外面，在你AI的神经元里。
——————————————————————————————
核心分歧：谁来决定该记住什么？
三条路线背后，有一个更深层的分歧：记忆的"编辑权"归谁？
| 派别 | 谁决定记什么 | 优点 | 风险 |
|:--|:--|:--|:--|
| 插件派（Mem0等） | 开发者定义规则 | 可预测、省token | 不够灵活，可能漏掉重要信息 |
| 平台派（Letta等） | Agent自己判断 | 更智能、更自适应 | 模型判断力不够时容易乱记或漏记 |
| 权重派（Macaron） | 用户行为自然驱动 | 最自然、不依赖检索 | 每次偏好变化都要重新训练 |
这个分歧短期内不会有标准答案。不同场景需要不同的方案。一个帮你写代码的Agent可能用插件式就够；一个陪你聊了三个月的AI伙伴，可能需要平台式甚至权重式。
——————————————————————————————
这跟普通人有关系吗？
有关系。
你有没有想过：当AI真的能记住你——你的喜好、你的决策习惯、你对事情的价值判断——它就不再是一个工具了。
它是另一个你。
这个"你"能替你回邮件、替你整理信息、替你跟其他AI打交道。你的时间会从"操作工具"变成"确认结果"。
但反过来，如果记忆系统属于某个大厂，你的"另一个你"就锁在那个平台里。你换了AI服务，记忆带不走，AI得重新认识你。
所以Memory赛道的这场混战，真正抢的不是技术方案——是谁拥有你AI分身的记忆。
关注硅己智能，共创AI世界！