从持续理解业务、沉淀经验到交付结果，记忆能力让Agent成为智能伙伴，而不再停留于“用完即忘”的单点工具。

图片由AI生成

你或许也经历过这种情况：向客服机器人说明了许久个人信息、诉求和喜好，经过好几轮交流后再次打开对话框，它却礼貌地问：“请问有什么可以帮到你？”

如果换个模型、换个Agent，再一股脑提交上数十页的文档素材，无论反复输入怎样的提示词，你会发现，AI输出的可能只有开头和结尾的内容，对于中间说了什么，它其实并不记得。

AI虽然聪明，遗忘问题却同样明显。这不是用户的错觉，而是当前大模型“无状态交互”存在的结构性缺陷：每轮对话结束，全部历史信息都会被清除。

这种遗忘造成的不只是体验割裂。在企业级应用中，用户为了保持上下文连贯，不得不反复输入历史对话，导致Token持续高消耗、计算负荷增加，大量资源被浪费在低质量沟通上。

当AI产业逐渐告别单纯堆叠参数与算力竞争，业内开始关注一个更本质的问题：大模型记忆的重点并非知道得更多，而是如何有效记住并理解。

这也是红熊AI坚持探索了两年的答案。

AI越聪明，反而越健忘？

从根本上说，记忆与幻觉一样，都是大模型的先天缺陷，由多项技术限制共同造成：模型自身的上下文窗口限制和注意力衰减，会使长对话中的早期关键信息被遗忘；对相似信息区分不足、冲突信息引发逻辑混乱，又会令模型只能作出含糊或错误的回答。

作为外 挂记忆产品的早期方案，包括RAG检索增强生成和向量数据库——聊天记录只是被简单存储，等到任务触发后再以文本形式检索并投喂模型，记忆无法得到自主管理。因此，这既算不上真正的长上下文，更无法“记住”。

2024年9月，红熊AI在落地AI客服营销场景时发现，客户再次咨询后，AI完全不记得上一次交互。客户每次都要重新说明问题、提供账户信息和交代背景，这严重限制了个性化服务场景的业务准确率。

团队最初测试了市面上的所有主流方案，包括大模型微调、知识库增强和Agent框架搭建，经历多番尝试后，准确率才从30%勉强升到70%。但在红熊AI创始人兼CEO温德亮看来，70分准确率的产品仍远未及格。

那段时期，温德亮带领核心团队查阅大量学术论文并尝试多种方案，最终意识到：核心问题或许不是模型智能不足，而是缺少记忆。大模型固有的“近因效应”，可能才是幻觉及业务断层的根源。或许可利用“类人脑记忆”驱动推理，通过记忆约束用户提问的上下文，从而显著提高模型回答的准确率。

为了让回复始终沿记忆推导，团队后来设计动态记忆锚点，使用户的每一次提问都受到上下文约束。经过多轮尝试，业务准确率一路从70%升到90%，最后在98%以上保持稳定。

这次项目成功彻底改变了红熊AI的创业方向，团队开始专注于“记忆”赛道，短期内便实现净利润，500多家企业客户也迅速给予认可。近日，红熊AI完成数亿元A+轮融资的消息正式宣布，投后估值为30亿元。

全球两大长期记忆权威评测榜单 LoCoMo、LongMemEval，目前分别由取得91.54%和95.0%成绩的红熊AI领跑。这意味着其记忆能力既经受了产业侧验证，又获得学术界最高认可。

LoCoMo测评结果

LongMenEval测评结果

从单点走向全栈，将记忆建设为基础设施

“许多企业可能选错了路径。AI记忆机制应当形成于和人的持续互动中，而不能只依靠预训练或数据的单向输入。”

温德亮认为，AI正在朝着“人”的方向继续发展，深入层面将涵盖脑科学、认知乃至记忆。AI若要像人一样学习成长，并更加符合第一性原理，记忆就会在这一进程中成为下一代AI的核心基础设施。

记忆机制与大模型底层架构的深度融合，是这一路线的核心。红熊AI在技术上构建分层记忆体系MemoryBear（记忆熊），以人类大脑的认知机制为参照，对记忆作出“瞬时记忆—工作记忆—长期/永久记忆”存储体系。为了模拟人类记忆的遗忘与巩固过程，系统加入自我反思引擎和智能管理机制；内置的自动遗忘机制+3D反思机制两大仿生机制，还会自主清除过时、错误信息，实现AI“选择性记忆”，随着交互时间增长，识别有效信息的能力也会增强。

完整记忆处理按三步展开：1、萃取：过滤海量对话交互中的无效冗余内容，筛选并提取高价值情境事实；2、关联：通过知识图谱进行存储，把不同用户记忆点及不同场景组织为网状关联关系；3、匹配：采用混合检索机制，精准调用关键信息，并快速找到当前任务需要的历史记忆。

在Agent从“问答工具”转向“可交付结果的智能伙伴”的进程中，核心基础设施正在取代记忆原本的边缘能力定位，红熊AI不断延伸业务场景也印证了这一点。红熊AI在产品架构上陆续构建面向企业培训、ChatBI、智能营销和智能客服等场景的Agent应用。它从最初的客服场景出发，先覆盖售前、售中、售后的客服营销，继而进入企业员工培训与数据分析ChatBI场景；每次场景扩展，均由客户真实需求推动。

OpenBear（通用全模态大模型）与CodeBear（记忆型编程大模型）也是红熊AI自研成果。作为AI超级员工的入口，前者像当下的Workbuddy一样扮演AI操作员；后者针对工程化开发任务重的核心难点，希望解决任务中断，以及任务项目背景、项目方式发生极大变化时因记忆无法续接而造成的工程代码偏差。

对红熊AI来说，这两款模型目前或许没有很高的市场预期，但研发已成为现阶段必须完成的事情。温德亮指出，B端客户并不在意软件企业使用哪种模型，更关注核心问题能否解决。以高并发的客服场景为例，业务量猛增时，如果上游模型厂商无法及时响应并发需求，软件企业就无法弹性扩容，继而影响下游客户体验，“我们之所以被迫自研，根源在于这种需求时长无法获得满足。”

记忆怎样改变Agent时代的规则

年初以来，业内频繁讨论“记忆”并对其价值形成逐渐认可。然而面对范围更广的企业与行业场景，怎样让记忆真正落地并融入自身业务，客户依旧找不到清晰的参考路径。

温德亮表示，客户实际落地时遇到的挑战非常具体：行业专属数据Know-how、差异化业务流程以及侧重点各异的客户话术体系，怎样转化为经验、沉淀成知识并让模型有效理解；与此同时，模型迭代还可能稀释已有知识，各类技术难点不断出现。

同时，不少客户仍用传统软件标准衡量AI效果，业务精准度、AI问题解决率和业务转化率等依旧属于传统业务指标。记忆的最终价值仍需体现为实际业务结果，包括缩短执行时间、提高精准度和改善用户满意度。

对客户来说，AI落地通常需要重新梳理业务流程、实施数据治理并明确定义交付结果。例如模型“偏好”的数据，通常与业务系统实际给出的数据存在差异，同时每家企业的情况也各不相同。

此外，记忆机制虽然可以降低Token消耗，却会增加推理时延。在准确率得到保证的情况下，延迟将从800毫秒上升至约1.8秒，这是红熊AI目前能够达到的最优水平。关键是让客户拥有选择权：选择更快响应但接受略低准确率，或接受稍慢速度以获得更精准结果，均由客户根据具体场景决定。

谈到红熊AI的壁垒，温德亮认为，AI原生软件与以往软件有本质差异。传统软件依靠硬编码，业务逻辑固定在代码中，跨行业复用能力低，基本需要定制开发；AI原生应用则由Agent驱动，跨行业应用只需修改参数和工作流，不必改变核心业务逻辑及产品适配性。记忆产品同样遵循这一逻辑，使Agent能在合适时机调用合适的历史信息。

近期，初创公司Engram在大洋彼岸与红熊AI同期获得融资，仅凭借“记忆”概念就获得近1亿美元。两项融资传递出明确信号：一旦AI获得接近人类的记忆能力，仍通过上下文窗口或RAG处理长内容的模型机制将受到深刻冲击。

客户的选择已经说明，他们既不需要模型机械记忆，也不愿靠大量消耗Token换取所谓效率。过去所说的降本增效，如今已不能直接等同于业务价值；Token推理没有边际成本递减，成本反而可能随业务增长持续上升。这张不确定的成本账单正迫使企业精确计算投入产出。相比成本与效率，由记忆驱动的推理准确率提升，才是创造真实业务价值的关键。

通过产业的有效验证，记忆已经成为具备切实商业价值的落地能力，而非停留在技术概念。由记忆驱动的Agent，也正在日常应用中逐步出现。

7月31日18:00，红熊AI“记忆觉醒 · 智能新生”线上产品发布会将正式启幕，不仅MemoryBear 记忆引擎迎来重磅升级，还将发布红熊AI自研的OpenBear 、 CodeBear两款记忆型大模型，以及基于原生记忆底座的AI客服、AI营销、ChatBI、AI教育四大场景化Agent应用。

关注直播并前来观看，一起见证AI如何被记忆重构。（作者 | 杨丽，编辑｜盖虹达，本文首发于钛媒体APP）