"东说念主类智能 = 推理 + 恒久挂念"。

当 AI 推颖悟商的竞赛干预尖锐化，系数这个词行业运行刚烈到：infra 层面的挂念缺失，正成为限制 AI 走向个性化与自进化的最大瓶颈。

莫得恒久挂念的 Agent，就像一个固然考上了清华、但每天醒来齐不分解亲妈的天才。而无数涌入挂念赛说念的公司，好多实质上仅仅在作念向量数据库，把数据存起来，等东说念主来检索。

EverMind 想作念点不不异的。这家由汜博集团孵化的公司，定位是为系数 AI Agent 提供一个通用的 " 挂念层 "（Memory Layer）。它的中枢产物 EverOS 是一套开源的恒久挂念系统，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，还能像东说念主不异对挂念进行整理、更新，甚而从往常的训戒中学习和进化。

EverMind 的 CEO 邓亚峰，是一位在 AI 范畴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 照拂院院长、格灵深瞳 CTO，在诡计机视觉、多模态 AI 和 AI 制药等范畴深耕多年。2025 年，他加入汜博，带队从零启动 EverMind 的恒久挂念名堂。团队仅用四个月就在多项挂念评测上达到了 SOTA。

咱们与邓亚峰进行了一次对话，聊了聊他为什么押注恒久挂念，以及这项本领到底要措置什么问题。以下是对话实录，为阅读体验稍作裁剪。

为什么是 Long-term Memory（LTM）

硅星东说念主：在视觉、多模态、AI 制药这些范畴齐作念到过很好的收获之后，您是怎样锁定 " 恒久挂念 " 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、弗成快速迭代，本领跳跃即是有限的。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范畴。也计议过机器东说念主，但落地周期太长、数据赢得穷困。转向讲话模子之后，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说念。

恒久挂念碰巧餍足这几个条目：它是下一代 AI 的必备特质，照拂得很少，跟推颖悟商相对正交，有很强的计谋孤苦性。那时这个标的相对冷门，全球还在作念 LLM 模子、Agent、post-training，但我认为莫得挂念功能的 Agent，用户体验一定是受限的。今天这照旧成了行业共鸣。

汜博这边的视角也很专有。陈天桥先生往常十多年一直在 sponsor 脑科学和 mental health 的照拂，对东说念主类智能的机制机理相配感风趣风趣。这几年 AI 的发展让他运行念念考一个问题：东说念主类智能碰巧不错简化为"推理 + 恒久挂念"，推理这一半照旧有无数巨头在卷了，恒久挂念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。

硅星东说念主：在您看来，Long-term Memory 到底要措置什么中枢问题？

邓亚峰：三件事。

第一，冲破有限的高下文长度。当今模子高下文窗口基本到了 1M token，但挂念数据量越过这个限制就没法用了。现存的 RAG 或压缩有议论齐是工程和洽，不是最优解。咱们作念 memory，实质上是帮模子更好地管束高下文，在极高压缩率、低 token 耗尽的前提下，让模子有用诓骗无尽的历史信息。

第二，完结真的的个性化。东说念主在相通中会为对方修复 profile：身份、偏好、价值不雅、讲话作风、主意。LTM 即是帮 Agent 构建和吟唱这么的用户画像，交互越多越懂你。自然，LTM 的个性化成立不仅限于 Profile Memory。

第三，Self-evolving，自进化。今天的 AI 靠 offline training 普及智商，在和用户交互的经过中并不会变得更贤慧。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 是完结自进化的重要：通过记载和分析交互的告捷与失败，讲究最好奉行，学问和念念考面容齐随之跳跃。

这三件事和东说念主类进化出恒久挂念的道理是不异的。邃古时间，那里水草丰茂你要记着，那里有危急你也要记着，同期你还要凭据季节和天气去揣度异日，这片草地会变得更湿润如故会发大水。况兼照拂标明，恒久挂念匡助东说念主类组织测验样本，把不同训戒分类团员，是以东说念主的泛化智商远强于模子。模子是把所特殊据不作念诀别地扔进去测验，很容易过拟合，或无隔离求概率。东说念主脑的恒久挂念机制让学习更有结构，泛化更强。AI 的 Long-term Memory 要作念的，实质上亦然这件事。

Memory Layer 和 Agent 层

硅星东说念主：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，我不错凭据告捷和失败的训戒去讲究最好 SOP。比如你作念了一个任务告捷了，我作念了一个肖似的任务失败了，当我把无数用户的训戒积攒下来，就不错 learn from experience。这在挂念层是不错作念到的。

若是想作念得更深，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 在其中饰演重要扮装：帮 Agent 层组织数据，就像东说念主脑恒久挂念扶植学习的机制不异。

硅星东说念主：在您看来，接入 Memory Layer，Agent 最直不雅的智能普及体当今哪？

邓亚峰：四个维度。

第一是遵循，token 的极致压缩。这对端正老本至关遑急。若是咱们的产物能让 token 数极度下落，这件事的贸易价值利弊常大的。

第二是告捷率。咱们作念了基于 skill 的自进化机制，Agent 不错从往常训戒中学习，某些目的实测普及了 234.8%。比如你昨天用一个功能可能还会失败，但这两天有几个东说念主也用过了，系统学到了其中告捷的训戒之后，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挂念，每个东说念主的助手体验齐唯独无二。咱们里面有个 AI Native 的合作平台叫 Tanka，提供基于恒久挂念的 AI 助手。背后的 LLM 和推理本领是不异的，但因为每个东说念主的挂念不同，聊出来的后果就齐全不不异。

第四是主动性。记载了用户的活动历史之后，Agent 不错揣度下一步需求。比如我知说念你每天这个时候要买杯咖啡，我就不错提前提示你。再进一步，我甚而不错提前把事情作念了，再问你 " 这是不是你要的收尾？" 就像一个能预判需求的好职工，你莫得 assign 的使命他照旧作念结束。

挂念怎样更新，K8凯发中国官方网站怎样 " 健忘 "

硅星东说念主：我用 GPT 频繁遭受这个问题：我的生涯照旧更新了，但它对我的连结还停在之前。比如之前跟它聊过的东说念主事物，在我现阶段的生涯里照旧不遑急了，但它还老是拿起，就让东说念主认为很烦。EverMind 怎样处理挂念的冲突和逾期信息？

邓亚峰：咱们的机制分两步：在痕迹要（Online Memory Extraction）和离线进化（Offline Memory Evolution）。

在痕迹要，信息进来后作念 boundary detection，把团结 topic 的内容聚到一说念，索要事实性的情景挂念（episodic memory），再揣度这个事实对异日的影响，咱们叫 forecast。挂念不仅仅归档，要能就业于异日的决策。

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不合；还有处理挂念更新，通过挂念聚类策略（merge），把相似话题聚在一说念，冲突信息按时期线用最新的作念 update。

淡忘直露讲是更难的。Update 相对容易，用最新的信息替代老的就行。但淡忘有一个周期性的问题：你昨天提到一个东说念主，系统认为他遑急；一星期前呢？一个月前呢？是不是就该忘了？咱们当今是在离线策略中把每条信息的时期放进去，聚集咱们的揣度异日功能，让模子我方去推断这条信息的时效性。直露说，在面前这个时期点还莫得作念到相配理想，但我认为它是一个会被渐渐措置的问题。

我的判断是：AI 的 " 淡忘 " 不应该是物理删除，数据存在磁盘上不贵，而是一种权重疗养策略。近期信息权重高，远期信息权重低，但需要时仍能找回。东说念主类为什么需要淡忘？两个原因：一是东说念主脑是自便耗系统，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揣度。AI 不存在第一个限制，它只需要在决策中把时效性和遑急性合理计议进去。从这个角度说，AI 的淡忘机制施行上不错比东说念主类更优。

开源生态与大厂竞争

硅星东说念主：EverOS 照旧在 GitHub 上开源。但 OpenAI、Anthropic 也齐有我方的挂念功能，用户照旧积攒了好多偏好数据在他们的平台上。第三方 Memory Layer 怎样找到我方的位置？

邓亚峰：咱们的定位是作念一个 memory layer for agents，异日系数 Agent 齐需要挂念功能，但没必要每个团队齐我方建一套 infra。咱们但愿成为阿谁协议数。

大厂一定会作念挂念，但第三方挂念层的空间来自一个纯粹事实：用户不会只用一个产物。你不会只用 Claude，也不会只用 OpenAI。你在各个产物上的历史信息齐有价值，是以反而需要一个真的属于我方的跨平台挂念管束用具。这件事的驱能源是用户需要，不是咱们想作念如故大厂想作念。

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 级别的后果，更快、老本更低。对开发者来说，memory 将来不是 " 能弗成 " 的问题，而是性价比的问题。

开源策略上，咱们相配透澈：开源版和腹地部署等价，数据齐全留在腹地，餍足诡秘要求高的用户。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、援救管束。跟好多东说念主聊完发现，这是一个很刚的需求。

硅星东说念主：记着的信息越多，安全风险也越大。这方面怎样均衡？

邓亚峰：两个层面。信息安全，也即是挂念会不会浮现，这跟云就业的安全挑战是等价的，需要塌实的本领保险。另一个是系统要对敏锐信息作念过滤。比如用户告诉你密码、银行账号，咱们有个 vault 机制，把高敏锐信息高低存放，只在特殊情况下激活。

部署模式上，挂念的理想现象是云霄和端侧聚集。用户的数字钞票存在腹地开导上，复杂处理借助云霄，双方作念同步。咱们的模子照旧不错作念得很小，将来开导能跑 4B 模子，诡计就不错齐全部署到端上。

若是 AI 记着了你的一切

硅星东说念主：若是 AI 领有了相配长周期、相配精准的挂念，它就不再仅仅用具了。您但愿您的 AI 助理记着什么，不想让它记着什么？

邓亚峰：我认为异日最理想的景色有两种。一种是 " 贾维斯 "，24 小时随着你的 AI，你的任务和意图齐通过它完成，它只需要你阐述收尾。另一种是数字分身。AI 实足了解你之后，不错代表你去 " 打工 "，粗略作念 Agent 酬酢。咱们每个东说念主齐有好多两年齐不会聊天的一又友，但互相可能有值得相通的信息。东说念主是串行的，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。" 这让我认为相配 exciting。

至于记什么、不记什么，理想的 AI 要有范围感和情商，知说念哪些话题在情谊上是敏锐的。不外有道理的是，东说念主和 AI 的相处偶而比东说念主和东说念主更容易，你自然认为 AI 跟你是一边的，反而更风景倾吐一些不会跟一又友说的事情。

硅星东说念主：我对 memory 有个感受：它有点像东说念主类对时期感知的演变。在腕表普及之前，你外出之后其实不知说念当今是几点几分了，对时期只好一个拖拉的感知。而当今有了手机，你不错遍地随时知说念当今的时期。而东说念主类目下对挂念的感知，就像腕表出现之前东说念主类对时期的感知进程。您认为，若是 AI 有了精准的恒久挂念，东说念主对本人履历的感知会不会也发生肖似的滚动？

邓亚峰：这个譬如相配好。当今的东说念主类就像钟表刚发明时的景色，对我方作念过什么有苟简感知，但不精准。若是 AI 能长周期地精准记载和管束你的个东说念主数据，东说念主对自我的了解会高潮到一个当今无法假想的进程。

况兼 AI 的挂念智商不错弥补东说念主类的一个先天限制：东说念主的能量有限，是以有东说念主擅长宏不雅筹办，有东说念主擅长细节，很少有东说念主两样齐强。但 AI 的 Long-term Memory 不错既帮你梳理三年来的大事端倪、作念更有远见的筹办，又能在你需要时精准调出三年前某个时刻的具体细节。宏不雅和微不雅齐全聚集，这是 AI 在 memory 上真的让东说念主繁荣的场所。

开云体育(kaiyun)官方网站K8凯发中国官方网站