编者摘要：本文《Instinct假说》提出 AI 发展第三波浪潮：护城河从模型能力、执行能力转向效用驱动记忆架构。第一波（2022‑2023）以 ChatGPT 为代表，基础模型能力是壁垒；第二波（2024‑2025）Devin、Claude Code 实现自主执行，执行能力成为壁垒；第三波 2026 年以后，持久状态 / 记忆成为核心护城河。
记忆不等同数据库存储，不是全盘记录原始数据，而是类似编译器：通过接纳效用、行动效用筛选信息，丢弃噪声，编译为四层记忆结构：瞬时摄入层、语义分类账本、信念偏好模型、待办备忘录。依靠溯源机制解决传统 RAG 幻觉、旧知识残留问题。
真正的智能主动性不靠定时任务，而是对比事件与持久状态产生状态差值，基于风险、权限做行动 / 询问 / 推迟 / 静默决策，懂得不打扰才是高级智能。
前人已有 MemGPT、Generative Agents 等研究，Instinct 把这套架构落地个人智能体。可验证预测：随数据增长性能平稳、支持偏好更新、懂得静默。该架构天然契合数据最小化，企业智能体则需要支撑多人共享记忆。
10个关键问题Q&A
附录：本能假说：为何记忆正在成为 AI 的核心护城河
作者：Ashwin Gopinath
核心摘要：我提出的观点是，Instinct 之所以表现得惊艳出众，并非源于一套无可替代的智能执行引擎，而是得益于它独特的记忆架构。ChatGPT 代表基础模型时代，Devin、Claude Code 标志着自主执行时代，而 Instinct 则拉开了 AI 发展的第三波浪潮：基础模型已经走向商品化，执行能力也正快速步入同质化，基于效用驱动的记忆，才是 AI 真正的闪光点，同时也是核心竞争壁垒。
早在 2023 年，我和诺亚花了大约三个月时间打磨一个十分朴素的构想：如果让大语言模型智能体复盘自身犯下的错误、开展自我反思，会发生什么？这次实验最终催生了 Reflexion 项目，并后续发展出独立的生命力。说实话，我们最初的目标并不是打造一套复杂的推理引擎，而是希望为 AI 赋予用于自我批判的工作记忆 —— 借助自我审视，引导模型在下一轮输出中得到更准确的结果。这一点十分关键，后文我们还会再次谈及。
正式展开之前，需要做必要说明：Instinct 是一款出色的产品。诺亚曾是我的学生，我在麻省理工任职期间和他有过合作，之后也一直保持着浅度联系，但我并不掌握 Instinct 内部实现的一手信息。我难免会带有主观倾向：一方面出于对学生的认可，另一方面我本人也长期研究智能体及其记忆机制，只不过我的研究方向面向企业场景，而非个人消费端。下文所有内容，都只是我实际体验产品后，对这套惊艳产品做出的分析解读。
大家使用 Instinct 完成各式各样任务的场景，既令人惊叹，也引人深思。单独拆解来看，它完成的各项能力，Hermes、OpenClaw 等同类产品同样可以实现。可为什么大家会高呼这是智能体领域的重大突破？在我看来，它的优势并不浮于表面，只有亲身深度使用后才能体会。绝大多数智能体，使用越久性能就越容易衰减，但 Instinct 截然相反，随着交互变多，它的表现反而持续提升，这正是解开谜题的关键线索。
引擎能力正在走向商品化
我有一个不一样的判断：Instinct 的核心智能运行循环本身未必有多么特殊。现如今，标准化的智能体执行能力已经高度商品化。任意一款性能不错的基础大模型，搭配一套够用的工具调用框架，就能够完成接口调用、遵循指令、生成多步骤规划。不同产品之间，权限管控、计算机操作细节、执行稳定性虽有差异，但执行层面的优化更多已经演变为工程问题；记忆，才是稀缺的架构资产。
我的核心推论是：Instinct 真正的突破点，是一套内置的 “笔记本” 机制，也就是底层一套设计严谨的记忆架构。抛开我们团队自研的智能体，这是我第一次见到面向普通用户的智能体，搭载完成度如此高的个人记忆架构。倘若我对这套 “笔记本” 的工作逻辑判断无误，就可以解释 Instinct 最奇妙的特质：它的价值不只体现在你主动下达指令的时候，更体现在你没有下达指令的时刻。
想要理解这套记忆体系的核心地位，我们可以对比玩具级智能体与长期运行型智能体的区别。事务型智能体只运行有限轮次，获取答案、调用工具之后就结束进程。而长期运行智能体，需要跨越数日、数周，在充满不确定性的现实环境中持续工作。举一个非常生活化的例子：协商降低有线电视账单。整个流程包含致电客服、等待接通、接收模糊的挽留优惠方案、等待回电、隔几日跟进、必要时升级投诉。智能体完成这类长周期任务，难点不在于执行操作，而在于漫长等待过程中维持状态、锚定目标，在没有新事件发生的时候，依旧清楚哪些信息至关重要。
个人记忆架构
长期运行的智能体，并不需要存储全部原始历史记录，它需要一套经过筛选的工作状态。瞬时观测信息，只有具备实际价值才会被采纳，编译为持久化的认知与待办目标，同时保留信息溯源依据，支撑智能体实现状态恢复、观点修正与逻辑溯源。
记忆是一种 “编译器”，而非数据库或知识图谱
行业里很多团队处理记忆问题，会直接套用数据库思路：存储全部对话记录、交互回执，寄希望于向量检索、图检索 RAG 技术，后续从中捞出需要的信息。但磁带录音机式的全盘记录，不等于记忆。博尔赫斯笔下《博闻强记的富内斯》讲透了这个道理：一个无法遗忘任何事物的人，恰恰因此丧失思考能力。
思考本身，就是忽略细节差异、归纳共性、完成抽象的过程。如果把眼睛接收的每一束光线、耳朵捕捉的每一段声波全部保存下来，得到的不是理解与思考，只是一堆杂乱噪声。脱离效用目标的记忆毫无意义 —— 记忆系统需要主动预判：哪些信息会对未来决策产生价值。
这不只是编程层面的比喻，也契合计算神经科学领域的主流观点。Richards 与 Frankland 等研究者提出：记忆的目的，并不是高保真还原过去，而是辅助做出未来的智能决策。健康的大脑会主动遗忘，正是这个道理。人类在日常生活中，会舍弃绝大多数无效信息，把剩余经验压缩为少量可靠事实保存下来，本质上就是不断预判这些事实未来是否有用。
真正的记忆，绝非简单粗暴的信息调取；它依靠两套效用函数，主动且有策略地决定哪些信息应当舍弃：
- 接纳效用
评估一条新观测信息，对于未来决策的预期价值，是否值得消耗成本去存储、建立索引。 - 行动效用（中断闸门）
判断状态变化是否值得触发行动。这里不仅权衡便利度与干扰程度，还需要评估风险、不可逆性以及操作权限。
如果一项操作价值高、权限充足、可撤销（例如更新日历日程），智能体就可以静默执行；如果操作影响重大、不可撤销（发送邮件、发起付款），则需要向用户确认；如果预期综合收益很低，最优选择就是保持静默。
结合产品表现推断，Instinct 在后台持续运行一套基于效用的处理循环。它不会在推理阶段反复压缩无限膨胀的对话上下文，也不会把原始历史记录的检索当作记忆本身。面对源源不断的个人生活数据流：聊天文本、工具调用记录、各类回执消息，它持续回答三个问题：
-
哪些内容改变了我们对用户的认知？ -
哪些正在进行的任务取得了进展？ -
哪些内容可以安全丢弃？
基于回答，信息会被编译为多层级状态模型：
- 瞬时摄入层
原始对话、回执只留存到语义解析完成，之后直接丢弃。 - 选择性语义分类账本
只追加写入经过筛选的事件与状态变更记录，保存溯源元数据，不囤积原始冗余数据。 - 持续迭代的信念与偏好模型
可修改、带版本标记，记录用户习惯与约束条件（例如：用户不希望早晨被电话打扰）。 - 流程化待办备忘录
动态追踪未完成子目标与依赖关系（例如：周四若无反馈，则升级处理）。
依托这套架构，智能体执行任务时，不会被上下文失效问题拖累，也无需读取海量原始素材，可以直接从整理完毕的状态快速接续工作。我推测这套记忆系统同样掌握 “遗忘” 的实现逻辑。分类账本本身只做追加写入，但从中衍生出的每一条认知，都会绑定溯源信息：对应对话片段、信息来源、推理逻辑。传统 RAG 系统很难处理信息变更：即便删除向量数据，旧的推理结论依旧残留在摘要、图谱边之中，带来幻觉问题。而溯源机制搭配时间戳校验，可以完整废弃一整套过时推导，彻底清除失效事实，避免残留错误信息。
主动性源于状态差值，而非定时任务
效用驱动的压缩记忆，是实现真正智能体主动性的核心。如今绝大多数智能体都属于被动响应型：收到指令才做出反馈。还有一部分依靠粗糙定时器、定时巡检模拟主动能力，但这种方式往往会造成过度打扰。讽刺的是，堆砌越多主动功能，产品体验反而越不智能。
真正的主动能力，不是简单给智能体循环外挂定时任务。完整的底层能力栈才能催生原生主动性：带状态的记忆、持续事件感知、明确的待办追踪、具备风险意识的行动策略。其核心是动态识别状态差值。
举个场景：当你处于睡眠状态，一封新邮件抵达。后台引擎解析邮件，对比内部记录的状态，识别出变化差值，再决定执行动作或是保持静默。三大模块协同工作：待办备忘录捕捉状态变化；习惯偏好模型判断是否需要打扰用户，这件事是立刻提醒，还是记到次日处理；分类账本则负责留存凭据，供智能体后续解释行为。
由此可以得到一个十分精妙的推论：一套效用函数运转良好的最好证明，不是恰到好处的消息推送，而是懂得保持沉默。懂得何时不去打扰用户的智能体，远比随时推送消息的智能体，更懂用户。
站在行业积累之上
当然，很多前人工作打下了重要基础：Generative Agents 实现重要性反思；MemGPT、Letta 构建分层记忆与休眠记忆机制；Mem0、A‑MAC 等最新研究，把记忆信息接纳机制进行规范化。过去行业长期聚焦检索环节，但前沿方向已经转移到流程上游：判断哪些信息值得保存，如何把信息编译为可变状态，以及何时应当保持静默。
我所在初创公司 Sentra 自研企业智能体，内部已经落地同类思路。如果我对 Instinct 的判断成立，说明我们在解决完全不同业务问题时，得出了高度趋同的结论。诺亚把这套思路落地到个人智能体赛道，而我们深耕企业场景，研究组织共享记忆。
这套思路可以产出可验证的预测，而不只是主观感受：
-
用户历史数据不断累积，Instinct 性能应当平滑可控，因为它基于整合后的状态运行，而非原始聊天记录； -
面对用户偏好变更（例如 “我现在吃素了”），旧偏好不会持续干扰输出，溯源机制支持有效清理旧信息； -
产品会合理选择什么都不做。如果上线数月之后依旧频繁打扰用户，那说明我的整套判断存在偏差。
最后聊聊数据采集、屏幕抓取、训练授权相关讨论。行业服务条款在用户反馈推动下不断迭代，但架构层面有一点很关键：基于效用编译构建的系统，天然契合数据最小化原则。提取语义状态、丢弃原始交互流，持久化事实才是核心资产，未压缩的原始数据反而是负担。高效的信息压缩与选择性留存，可以成为建立用户信任的核心逻辑。记忆 “笔记本” 做得越好，系统需要留存的原始用户数据就越少。
全量存储原始记录的模式，不仅会拉低智能体效果，还会损害隐私，检索方案选择不当更会埋下技术债务。随着赛道走向成熟，我期待主动遗忘，从藏在细则里的功能局限，转变为产品信任叙事的核心卖点。
AI 的第三波浪潮
回想我和诺亚开发 Reflexion 的时候，反思只是服务于单一任务：失败之后，把失败转化为文本，再次尝试。倘若我对 Instinct 的理解属实，它把同类思想拓展到全新的规模：不再局限于单条测试样本，而是针对杂乱真实的个人生活持续开展反思。看到他深度探索个人记忆方向，回顾我们早期的交流，是一件很美妙的事。
我们 Sentra 的企业智能体中已经看到同类行为，只是面向企业场景。这也映射出 AI 行业的发展脉络： 第一波浪潮聚焦能力：基础模型让机器拥有出色语言思考能力； 第二波浪潮聚焦执行：Devin、Claude Code 这类系统，为模型套上执行循环，完成规划、工具调用、落地任务； 第三波浪潮聚焦状态：智能体长期驻留在现实场景中，理解过往发生了什么、当下什么最重要、后续应当如何行动。
第三波浪潮才刚刚开启。过去一年行业出现循环工程、上下文图谱等各类说法，都在间接讨论这件事。但本质上，记忆是编译器，不是数据库，不是知识图谱，也不是文件系统。而 Instinct，恰好向我们展示了为什么这套机制会带来魔幻般的使用体验。
企业端方案还需要更进一步：个人智能体只需要维护单个人的持久记忆；企业场景下，成千上万人与智能体，需要依托通讯记录、业务系统、文档素材，维护个人与共享状态。整体架构逻辑相通，但需要叠加更多复杂能力。未来我会分享服务两万人规模企业的落地经验。
放眼长远，AI 领域核心难题已经不再仅仅是教会机器如何思考、如何行动。而是教会机器理解当下真实世界，分辨哪些信息值得被记住。
作者注：Ashwin Gopinath是 Sentra 的 CEO，本文探讨的诸多问题正是公司的业务方向。Sentra 正在打造一套基础共享记忆层，服务于构建企业大脑：完整企业的动态共享模型。它接收企业内结构化、非结构化全部数据，同时为人类员工与各类智能体提供支撑。
Ashwin Gopinath，连续创业者、前 MIT 助理教授、AI Agent 记忆领域核心研究者，《The Instinct Thesis（本能假说）》作者，社交账号：@ashwingop。
一、学术履历
-
博士：波士顿大学电子与计算机工程博士，获系杰出博士论文奖MIT School...。 -
曾任加州理工（Caltech）高级研究科学家、Google X（谷歌登月实验室）研究员；之后担任麻省理工 MIT 机械工程系助理教授，早期研究方向为 DNA 纳米技术、合成生物学、纳米光物理，2017 年获得 Robert Dirks 分子编程奖MIT School...。 -
AI 领域代表作 Reflexion（NeurIPS 2023），和学生 Noah Shinn（Instinct 产品创始人）联合发表：提出让 AI 智能体通过自然语言自我反思、复盘错误来提升性能，不需要微调模型权重，依靠记忆实现迭代优化，是 LLM Agent 领域高引用经典论文。
Noah Shinn 是他在 MIT 的学生，这也是他写《Instinct假说》分析 Instinct 产品的渊源，他本人没有 Instinct 内部一手资料，全部基于外部产品体验推演架构。
二、创业经历
-
Palamedrix（蛋白质组学初创），联合创始人，两年内被 SomaLogic 以 5250 万美元收购，属于生物硬科技创业经历。 - Sentra（联合创始人）
主打企业组织记忆（Enterprise General Intelligence），a16z 领投 500 万美元种子轮。 -
把 Reflexion 的智能体记忆思想迁移到企业场景：不再面向个人，为企业构建共享记忆层，把会议、聊天、文档、业务系统编译成企业持久状态，打造 “企业大脑”。 -
核心论点：大模型、Agent 执行能力会商品化，真正护城河是记忆与状态，和《本能假说》个人 Agent 理论一脉相承，只是一个面向个人，一个面向大型组织。