"东谈主类智能 = 推理 + 永久追忆"。

当 AI 推理材干的竞赛干预尖锐化，统统行业启动意志到：infra 层面的追忆缺失，正成为适度 AI 走向个性化与自进化的最大瓶颈。

莫得永久追忆的 Agent，就像一个诚然考上了清华、但每天醒来都不雄厚亲妈的天才。而多数涌入追忆赛谈的公司，好多实质上仅仅在作念向量数据库，把数据存起来，等东谈主来检索。

EverMind 想作念点不相似的。这家由在意集团孵化的公司，定位是为统统 AI Agent 提供一个通用的 " 追忆层 "（Memory Layer）。它的中枢家具 EverOS 是一套开源的永久追忆系统，开发者不错把它接入我方的 Agent，让 AI 不仅能记取用户的历史对话和偏好，还能像东谈主相似对追忆进行整理、更新，以致从畴前的教养中学习和进化。

EverMind 的 CEO 邓亚峰，是一位在 AI 范围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 征询院院长、格灵深瞳 CTO，在缠绵机视觉、多模态 AI 和 AI 制药等范围深耕多年。2025 年，他加入在意，带队从零启动 EverMind 的永久追忆花样。团队仅用四个月就在多项追忆评测上达到了 SOTA。

咱们与邓亚峰进行了一次对话，聊了聊他为什么押注永久追忆，以及这项本事到底要处理什么问题。以下是对话实录，为阅读体验稍作裁剪。

为什么是 Long-term Memory（LTM）

硅星东谈主：在视觉、多模态、AI 制药这些范围都作念到过很好的收获之后，您是怎么锁定 " 永久追忆 " 这个场所的？

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、不成快速迭代，本事跳动即是有限的。是以之后选场所，我就想找一个能快速作念数据迭代闭环的范围。也接洽过机器东谈主，但落地周期太长、数据得回穷苦。转向话语模子之后，又濒临大模子在并吞一切的问题。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谈。

永久追忆刚巧餍足这几个条目：它是下一代 AI 的必备特点，征询得很少，跟推理材干相对正交，有很强的计策寂寞性。其时这个场所相对冷门，大家还在作念 LLM 模子、Agent、post-training，但我认为莫得追忆功能的 Agent，用户体验一定是受限的。今天这仍是成了行业共鸣。

在意这边的视角也很专有。陈天桥先生畴前十多年一直在 sponsor 脑科学和 mental health 的征询，对东谈主类智能的机制机理相等感风趣。这几年 AI 的发展让他启动想考一个问题：东谈主类智能刚巧不错简化为"推理 + 永久追忆"，推理这一半仍是有无数巨头在卷了，永久追忆是不是一个极具计策寂寞性的场所？这个判断和我我方的想考刚好吻合。

硅星东谈主：在您看来，Long-term Memory 到底要处理什么中枢问题？

邓亚峰：三件事。

第一，残害有限的高下文长度。面前模子高下文窗口基本到了 1M token，但追忆数据量高出这个适度就没法用了。现存的 RAG 或压缩决策都是工程息争，不是最优解。咱们作念 memory，实质上是帮模子更好地不停高下文，在极高压缩率、低 token 消费的前提下，让模子有用期骗无尽的历史信息。

第二，终了真确的个性化。东谈主在疏通中会为对方诞生 profile：身份、偏好、价值不雅、话语作风、见解。LTM 即是帮 Agent 构建和注意这么的用户画像，交互越多越懂你。自然，LTM 的个性化配置不仅限于 Profile Memory。

第三，Self-evolving，自进化。今天的 AI 靠 offline training 进步材干，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 是终了自进化的舛误：通过纪录和分析交互的到手与失败，记忆最好践诺，学问和想考方式都随之跳动。

这三件事和东谈主类进化出永久追忆的旨趣是相似的。旷古时期，那儿水草丰茂你要记取，那儿有危境你也要记取，同期你还要笔据季节和天气去预计畴昔，这片草地会变得更湿润照旧会发激流。况且征询标明，永久追忆匡助东谈主类组织检会样本，把不同教营养类团聚，是以东谈主的泛化材干远强于模子。模子是把所额外据不作念辩别地扔进去检会，很容易过拟合，或无永别求概率。东谈主脑的永久追忆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

硅星东谈主：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，我不错笔据到手和失败的教养去记忆最好 SOP。比如你作念了一个任务到手了，我作念了一个近似的任务失败了，当我把多数用户的教养蕴蓄下来，就不错 learn from experience。这在追忆层是不错作念到的。

若是想作念得更深，比如基于用户响应作念强化学习，那照实需要 Agent 层和 Memory Layer 协同。但 Memory Layer 在其中饰演舛误脚色：帮 Agent 层组织数据，就像东谈主脑永久追忆补助学习的机制相似。

硅星东谈主：在您看来，接入 Memory Layer，Agent 最直不雅的智能进步体面前哪？

邓亚峰：四个维度。

第一是服从，token 的极致压缩。这对适度老本至关进攻。若是咱们的家具能让 token 数特地着落，这件事的交易价值长短常大的。

第二是到手率。咱们作念了基于 skill 的自进化机制，Agent 不错从畴前教养中学习，某些估量实测进步了 234.8%。比如你昨天用一个功能可能还会失败，但这两天有几个东谈主也用过了，系统学到了其中到手的教养之后，你今天再用就到手了。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追忆，每个东谈主的助手体验都唯一无二。咱们里面有个 AI Native 的合作平台叫 Tanka，提供基于永久追忆的 AI 助手。背后的 LLM 和推理本事是相似的，但因为每个东谈主的追忆不同，聊出来的服从就实足不相似。

第四是主动性。纪录了用户的举止历史之后，Agent 不错预计下一步需求。比如我知谈你每天这个时候要买杯咖啡，我就不错提前教导你。再进一步，我以致不错提前把事情作念了，再问你 " 这是不是你要的末端？" 就像一个能预判需求的好职工，你莫得 assign 的责任他仍是作念结束。

追忆怎么更新，滚球官网 - 滚球(中国)官方网站怎么 " 健忘 "

硅星东谈主：我用 GPT 时时遭受这个问题：我的糊口仍是更新了，但它对我的协调还停在之前。比如之前跟它聊过的东谈主事物，在我现阶段的糊口里仍是不进攻了，但它还老是拿起，就让东谈主以为很烦。EverMind 怎么处理追忆的冲突和落伍信息？

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

在陈迹要，信息进来后作念 boundary detection，把袪除 topic 的内容聚到通盘，索要事实性的情景追忆（episodic memory），再预计这个事实对畴昔的影响，咱们叫 forecast。追忆不仅仅归档，要能作事于畴昔的决策。

离线进化，系统如期作念几件事：在更大范围信息上提真金不怕火用户 profile；作念反想和刷新，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；还有处理追忆更新，通过追忆聚类策略（merge），把相似话题聚在通盘，冲突信息按时刻线用最新的作念 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：你昨天提到一个东谈主，系统以为他进攻；一星期前呢？一个月前呢？是不是就该忘了？咱们面前是在离线策略中把每条信息的时刻放进去，王人集咱们的预计畴昔功能，让模子我方去臆想这条信息的时效性。直露说，在面前这个时刻点还莫得作念到相等理想，但我认为它是一个会被冉冉处理的问题。

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，而是一种权重改革策略。近期信息权重高，远期信息权重低，但需要时仍能找回。东谈主类为什么需要淡忘？两个原因：一是东谈主脑是稚子耗系统，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预计。AI 不存在第一个适度，它只需要在决策中把时效性和进攻性合理接洽进去。从这个角度说，AI 的淡忘机制施行上不错比东谈主类更优。

开源生态与大厂竞争

硅星东谈主：EverOS 仍是在 GitHub 上开源。但 OpenAI、Anthropic 也都有我方的追忆功能，用户仍是蕴蓄了好多偏好数据在他们的平台上。第三方 Memory Layer 怎么找到我方的位置？

邓亚峰：咱们的定位是作念一个 memory layer for agents，畴昔统统 Agent 都需要追忆功能，但没必要每个团队都我方建一套 infra。咱们但愿成为阿谁条约数。

大厂一定会作念追忆，但第三方追忆层的空间来自一个简便事实：用户不会只用一个家具。你不会只用 Claude，也不会只用 OpenAI。你在各个家具上的历史信息都有价值，是以反而需要一个真确属于我方的跨平台追忆不停器具。这件事的驱能源是用户需要，不是咱们想作念照旧大厂想作念。

另外，memory 不停不需要最顶尖的大模子。咱们用 4B 的模子能作念到 235B 级别的服从，更快、老本更低。对开发者来说，memory 将来不是 " 能不成 " 的问题，而是性价比的问题。

开源策略上，咱们相等透顶：开源版和土产货部署等价，数据实足留在土产货，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、统一不停。跟好多东谈主聊完发现，这是一个很刚的需求。

硅星东谈主：记取的信息越多，安全风险也越大。这方面怎么均衡？

邓亚峰：两个层面。信息安全，也即是追忆会不会潜入，这跟云作事的安全挑战是等价的，需要塌实的本事保险。另一个是系统要对明锐信息作念过滤。比如用户告诉你密码、银行账号，咱们有个 vault 机制，把上流锐信息停止存放，只在特殊情况下激活。

部署模式上，追忆的理想形态是云表和端侧王人集。用户的数字钞票存在土产货开荒上，复杂处理借助云表，双方作念同步。咱们的模子仍是不错作念得很小，将来开荒能跑 4B 模子，缠绵就不错实足部署到端上。

若是 AI 记取了你的一切

硅星东谈主：若是 AI 领有了相等长周期、相等精准的追忆，它就不再仅仅器具了。您但愿您的 AI 助理记取什么，不想让它记取什么？

邓亚峰：我以为畴昔最理想的情景有两种。一种是 " 贾维斯 "，24 小时随着你的 AI，你的任务和意图都通过它完成，它只需要你证明末端。另一种是数字分身。AI 豪阔了解你之后，不错代表你去 " 打工 "，或者作念 Agent 草率。咱们每个东谈主都有好多两年都不会聊天的一又友，但互相可能有值得疏通的信息。东谈主是串行的，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。" 这让我以为相等 exciting。

至于记什么、不记什么，理想的 AI 要有鸿沟感和情商，知谈哪些话题在方式上是明锐的。不外有酷爱的是，东谈主和 AI 的相处偶然比东谈主和东谈主更容易，你自然认为 AI 跟你是一边的，反而更悠闲倾吐一些不会跟一又友说的事情。

硅星东谈主：我对 memory 有个感受：它有点像东谈主类对时刻感知的演变。在腕表普及之前，你外出之后其实不知谈面前是几点几分了，对时刻只须一个莽撞的感知。而面前有了手机，你不错遍地随时知谈面前的时刻。而东谈主类面前对追忆的感知，就像腕表出现之前东谈主类对时刻的感知进度。您以为，若是 AI 有了精准的永久追忆，东谈主对自己阅历的感知会不会也发生近似的改革？

邓亚峰：这个譬如相等好。面前的东谈主类就像钟表刚发明时的情景，对我方作念过什么有粗放感知，但不精准。若是 AI 能长周期地精准纪录和不停你的个东谈主数据，东谈主对自我的了解会高涨到一个面前无法联想的进度。

况且 AI 的追忆材干不错弥补东谈主类的一个先天适度：东谈主的能量有限，是以有东谈主擅长宏不雅操办，有东谈主擅长细节，很少有东谈主两样都强。但 AI 的 Long-term Memory 不错既帮你梳理三年来的大事端倪、作念更有远见的操办，又能在你需要时精准调出三年前某个时刻的具体细节。宏不雅和微不雅完好王人集，这是 AI 在 memory 上真确让东谈主兴盛的地方。

博亚体育app官方网站滚球(中国)官方网站