从“上下文工程”到“上下文记忆”

AI 蓝鲸汇 希望用一个相对稳定、小规模、高质量的方式，把真正长期在一线做 AI 的人请到一起，围绕一个具体问题，做一次不赶时间的交流。

这是 AI 蓝鲸汇 系列活动的第四期的演讲内容实录摘要。

一、智能体的核心进化：从无状态到持续学习

智能体领域在2026年迎来了爆发式增长，而“记忆”已成为该领域公认的胜负手。当前大模型本质上是“无状态”的，其参数在训练完成后便已固化。为了实现真正的自适应和长视野推理，智能体需要一个能够自我循环、不断进化的记忆引擎，从而实现可持续学习。

目前行业对记忆的需求极度旺盛，几乎所有的智能体都在宣传记忆能力，投资机构也正密集关注记忆基础设施（Infra）及其应用。尽管如 Claude Code 等应用已经实现了初步的工程化记忆，这些尝试仅完成了终极记忆目标的2%~3%，该领域仍处于学术和工程的早期阶段。

演讲详细梳理了记忆的三种主要存储形式，这些技术将在未来呈现混合应用的态势：

1.明文化记忆（Tokenized Memory）：这是目前最主流的形式，占比约90% 。它将信息语义化为文本（如 Markdown 或 JSON 格式），具有高透明度和可编辑性，用户可以直接在后台修改。其架构也从简单的线性结构向图结构、树结构演进，以处理复杂的因果关联。

2.参数化记忆（Parameterized Memory）：通过微调（Fine-tuning）将信息植入模型参数中。这种方式适合固化的人格设定或知识，优点是检索速度极快且节省 Token 消耗，但也存在更新成本高的局限。

3.隐式记忆（Latent Memory）：将信息存在 KV Cache 或向量化后的隐空间内。这种方式主要用于多模态理解和上下文压缩，旨在打破大模型上下文窗口（Context Window）的限制。

一个成熟的记忆系统需要自动完成三个核心环节，而非单纯依赖人工手搓：

●形成与压缩：智能体需要判断哪些信息值得被记住。通过语义蒸馏技术，将冗长的对话总结为精炼的标签或事实。

●演化与巩固：记忆并非静态堆积。系统需具备类似人类的“巩固”与“遗忘”机制。当新旧信息冲突时，需进行局部整合或全局版本更新。合理的遗忘机制（如基于时间线或频率）是防止记忆库崩溃的关键。

●主动检索：记忆不应只是被动响应用户命令。未来的趋势是智能体根据当前语境，自动决定何时从记忆库中提取关联信息，并将其转化为对模型友好的提示词。

在商业化层面，几个极具潜力的方向：

与其将记忆视为简单的工具，不如将其看作 AI 时代的“内存层” 。在2026年的多智能体（Multi-Agent）时代，记忆共享将成为基石。例如，当一个智能体成功完成任务后，它可以将经验共享给其他智能体，实现跨个体的技能传递。

此外，“组织记忆”将重塑企业服务。以销售场景为例，系统记录的不仅是最终成交，更是从谈单到合同签署的全过程因果链条。这种深层的技能沉淀和经验画像，将使智能体从简单的聊天机器人进化为真正的业务专家。

记忆层是一个跨学科的复杂领域，涉及信息检索、数据库、图计算及模型训练等多种技术的交叉。虽然大厂都在布局，但独立的第三方记忆层仍有巨大的生存空间，其核心护城河在于极高的替换成本和中立的生态位。记忆的发展曲线将与通用人工智能（AGI）的实现路径高度重合。

●问：为什么目前大模型需要外挂记忆引擎？

答：大模型目前处于无状态的定位，其参数在训练完成后即被固化。智能体需要通过记忆引擎实现自适应和长视野推理，从而达成可持续的学习进化。

●问：明文化记忆（Tokenized Memory）相比参数化记忆有什么优势？

答：明文化记忆具有事实准确性、高透明度以及可编辑性。这种形式最为直观，用户甚至可以像修改文档一样直接编辑自己的记忆文案。

●问：什么是演讲中提到的“记忆共享”机制？

答：这是一种在多智能体（Multi-agent）时代打破单一对话限制的机制。它允许智能体之间交换成功经验，例如将一个智能体完成任务的轨迹共享给另一个智能体，从而实现协作提效。

从“上下文工程”到“上下文记忆” | AI 蓝鲸汇