上一期我们讨论了AI应用场景从试点到规模化的路径：规模化的瓶颈不在技术而在适配层，需要行业图谱做横向对标，效果评估要覆盖技术指标、业务价值和能力沉淀三层，场景库则要做到动态管理、与预算挂钩、有进有出。
场景解决的是“AI在哪里创造价值”的问题，本期要回答的是：AI凭什么持续创造价值？
一个越来越清晰的共识是：大模型的通用能力正在快速拉平，竞争的重心正在转向模型之外的配套能力。其中最容易被忽视、却日益关键的一项，是AI的“记性”——它能记住什么、怎么记住、怎么想起、怎么忘掉。本期我们探讨智能体记忆管理的技术体系，以及企业什么条件下值得建设统一的记忆平台。
如果把AI智能体比作一个真实的打工人，大模型（大脑）负责思考和理解，工具模块（手脚）负责执行，而记忆模块就是它的“经验和记性”。
智能体记忆，是指AI系统记录、回忆过去经验，并以此来改进决策和行为的能力。它不是简单地把聊天记录存进硬盘，而是在用户授权下，对交互过程中的有效信息进行识别、抽取、组织和存储，让AI在后续任务中复用历史经验。
一条合格的智能体记忆，至少要满足四个特征：
• 可沉淀：能从交互中自动抽取，同时兼容来自持久化存储和人工录入的知识；
• 可检索：用的时候能按需找回来，而不是全文重读；
• 可更新：用户改主意了，记忆能改；情况变了，记忆能修；
• 可遗忘：过期的、错误的、用户要求删除的，能真正清掉。
第三条和第四条尤其重要，也正是“记忆管理”区别于“数据存储”的地方。
第一，记忆让个性化成为可能。没有记忆，“千人千面”只是一句口号。用户的偏好、习惯、禁忌，全部需要跨会话保留。
第二，记忆让长任务有了连贯性。一个持续数周的采购谈判、一个跨多次会话的软件开发项目，中间任何一次对话中断，都依赖记忆把“我们聊到哪了”接续起来。没有记忆，长任务只能退化为一次又一次孤立的一问一答。
第三，记忆让智能体越用越“懂行”。每一次任务结束，把“什么方法有效、什么坑要避开”沉淀下来，下一次再遇到类似场景直接调用——这正是人类专家成长的方式，也是智能体从“通用”走向“专精”的路径。
第四，记忆能显著降本增效。把所有历史一股脑塞进上下文，既贵又慢又容易出错；把大部分历史存入外部记忆、按需检索，上下文只保留当前任务所需，推理成本和时延都能明显下降。
认知科学把人类记忆分为工作记忆、情景记忆、语义记忆和程序记忆。这套分类几乎可以直接平移到智能体上——因为两者的难题是同构的：记什么、存哪、怎么找。
图：记忆的类型
这套分类与产业界更常提到的“短期记忆、长期记忆”并不矛盾，而是两个不同维度的切法：短期/长期回答“存多久”，四分法回答“存什么、怎么存、怎么查”。两者的映射关系非常干净：
工作记忆大致对应短期记忆，存放在高速缓存中，随会话结束而清空；情景、语义、程序三类对应长期记忆，持久化存储，但各自携带不同的有效期和衰减策略。
记忆管理可以归纳为三个动作。
第一招：克制地写。不是每句话都值得记。好的记忆系统坚持“少写、晚写、带证据写”：会话中只把任务状态放在工作记忆里，会话结束后再做“结算”——本轮产生了什么可跨会话复用的信息？其中哪些是稳定事实，哪些只是临时状态？写入时要带上来源和置信度。
第二招：聪明地查。拒绝“向量相似度取前几条”式的偷懒检索，改为多路召回：语义召回找“意思相近的”，关键词找“字面上命中的”，时间线找“最近发生的”，再按相关性、时效、重要性加权排序。进入上下文前设 token 预算：当前任务约束永远优先，低分记忆宁可不拿，避免“为了记得多，反而答得偏”。
第三招：体面地忘。记忆会过期，会冲突，会出错。好的记忆管理系统为每条记忆配置有效期。发现记忆冲突时不直接覆盖，而是保留版本、标注分歧，交由智能体在对话中判断或者要求用户澄清。用户要求删除的，支持软删除与硬删除，并全程留痕可审计。
一句话概括：写入要克制且带证据，检索要混合且受约束，遗忘要体面且可审计。
这是企业用户最关心的问题。答案是：看量级，不必人人上平台。如果使用场景是单部门、一两个智能体、只做单一任务，轻量方案就足够。但出现以下任一信号，就值得认真考虑建设统一的记忆平台：
• 智能体数量超过个位数，且分散在不同业务线，各自重复建设“记忆模块”；
• 多个智能体需要共享同一份用户画像（用户明确要求客服助理知道的偏好，营销智能体也想使用）；
• 记忆内容涉及个人信息，合规审计要求“记得什么、谁看过、何时删的”全程可查；
• 记忆质量成为瓶颈，需要统一的评估、清洗和治理手段，而不是各业务自行其是。
把前文所有讨论收拢成一张图，一个典型的记忆平台可以概括为“一横、两纵、两条安全带”。
图：通用记忆平台架构
“一横”是记忆的生命周期流水线，从原始信息到可供使用，共四道工序。原始信息产生、处理、记忆沉淀入库、对外服务。
“两纵”是在流水线之上接出的两条消费路线。路线 A 给智能体用，走运行时循环：智能体发起记忆检索、引擎组装记忆块、嵌入 prompt、大模型推理（回答或调用工具）、工具观察回流、会话结算写回。路线 B 给人用，走治理与供给：开发者借助检索回放和写入追踪调试记忆行为；运营人员通过看板监控质量指标，受理用户的查看、更正、删除请求，调阅审计日志；业务专家以低代码方式维护技能模板、定义画像标签，并审核反思产出的结论是否符合业务实际；终端用户则拥有对自己记忆的查看、更正、删除与授权入口。
还有两条纵贯全程的安全带。一条是安全合规，另一条是治理评估。记忆是智能体最敏感的资产，因为它天然贴近隐私。一条偏好记录、一段病史描述、一次位置提及，存进记忆库的那一刻，就进入了个人信息保护的监管视野。
记忆系统不能凭感觉验收。建议关注五组指标：
图：记忆系统评估指标（参考）
让AI从“聪明工具”变成“可靠伙伴”，缺的不是更大的模型，而是更好的记忆。
本文的讨论可以收拢为三句话：技术上，写入要克制且带证据，检索要混合且受约束，遗忘要体面且可审计；工程上，是否建平台看量级，“一横两纵两条安全带”的架构意味着记忆是需要全生命周期治理的资产；治理上，记忆天然贴近隐私，安全合规必须贯穿全程。
记忆管理与上一期的场景规模化互为表里：没有记忆，试点经验无法复用，“能力沉淀”就落了空；没有场景，记忆也无的放矢。两者共同指向AI应用从单点工具走向体系化能力。
但记忆解决的是“记得住”，还没有解决“做得对”。智能体如果不懂企业的业务规则和数据口径，依然只是外行助手。下一期，我们将探讨本体智能如何助力AI从“通用对话者”升级为“专业业务执行者”。敬请期待！
图：AI原生评估体系
“智能原生”系列评估测试，是由中国信通院推出的一套第三方评估测试体系。该体系立足于“智能原生”的核心内涵--即从设计之初就将人工智能作为核心中枢，系统性重构技术架构与业务逻辑。旨在全方位评估企业的智能原生能力建设水平，衡量技术产品能力与场景实践成效，帮助企业依托AI原生范式激活数据潜能，实现生产经营模式的根本升级。
当前，国内企业智能化转型普遍面临技术迭代快速、场景落地滞后、项目建设碎片化、价值成效难量化、合规治理体系不完善等共性难题。为系统性破解产业痛点、打通智能原生产业落地全链路，智能原生领航计划聚焦顶层范式构建、标准体系引领、全域生态协同三大核心方向持续深耕，全方位赋能企业高质量智能化转型。
为进一步壮大智能原生领航计划，汇聚更多产业力量参与理论研究、标准研制、场景落地，现面向全行业正式开启第二批参与单位招募。诚挚欢迎各行业央国企、骨干产业企业、科研机构、AI科技服务商踊跃申报加入，共同参与智能原生方法论研究、行业标准编制、专题产业研讨、落地试点评估等系列核心工作，携手共建智能原生产业新生态。
有意向参与的单位可点击“阅读原文”下载申请表，填写完整并加盖单位公章后，将盖章PDF扫描件发送至联系人邮箱。
联系人：
韩老师
18627873252（微信同号）
hanxiaolu@caict.ac.cn