记忆

记忆是它能脱离特定模型单独部署。

从ChatGPT换到Claude，记忆是空的，一切从头开始。

因为在AI助手时代，记忆是最坚固的护城河。

但值得一提的是，承载玩家记忆的经典元素并没有被完全舍弃，比如巴斯塔尔水道中，让玩家印象深刻的三连宝箱得到了保留。

凭借这个方法，他走进了一百六十多种人生，并不断确认：每个角色都是被一方水土养出来的，而每一部好电影都是在为这个时代保存一种文化记忆。

Mira搭建的分层科研记忆体系，底层打通了论文、专利与公开数据库的通用知识，中间层沉淀每一次实验的实战数据与试错结论，最上层则逐步对齐团队的研究风格与判断偏好，通过统一的交互标准打通文本、图谱、模拟数据等多源异构信息，让零散的个人经验最终沉淀为可复用、可传承的团队科研资产。

底层是可沉淀、可复用的科研记忆与科学维基体系，让每一次项目的经验、数据与结论都能被留存，成为后续研究的基础。

如果上面这些说法让你觉得，3岁前的记忆大概就是不存在了，那接下来我要讲的这个今年刚出炉的研究，可能会颠覆你的全部认知。

科学界关于“3岁前记忆集体蒸发”这件事的争论，比家庭伦理剧还热闹。

MemoryBear：把企业记忆做成基础设施

落到具体场景，MemoryBear主要回应企业记忆的三类痛点：一是知识治理，把客户、合同、规则与投诉连成可追溯的关系图谱；

关于3岁前的记忆，我作为一个医生，也作为一个父亲，想说点跳出科学的感性认识。

大脑为何要删除3岁前的记忆-信息时代-万维读者网（电脑版）大脑为何要删除3岁前的记忆

高中走廊的灯光、课桌的摆放方式、人物说话时身体的局促感，这些东西不是AI默认会生成的，是创作者主动“喂”进去的真实记忆。

AML的诞生，源于一个日渐清晰的行业共识——大模型的上下文窗口越开越大，但Agent的长期记忆能力并未随之水涨船高。

——AML正朝着成为全行业公认的Agent记忆能力统一标尺的方向迈进。

更关键的是，所有题目经人工重构，被映射到统一的记忆能力维度。

这一技术体系的核心目标是解决大模型在长周期、海量级个性化碎片信息处理中的局限性，通过内化记忆能力，解决大模型失忆症痛点，为AI智能体提供原生长效记忆能力。

AI融入企业业务，大模型评价正从参数规模转向记忆能力。

这标志AI正从“一次性工具”向精准记住用户痛点与业务逻辑的“成长型伙伴”进化，记忆能力成为企业难以复制的技术护城河。

DreamingV3是ChatGPT记忆系统的最新架构：后台自动从对话历史合成记忆状态，具备时间感知，减少过时信息，提升事实回忆与偏好遵循。

一个好的记忆系统，不应该只是记住用户说过什么，还应该知道什么已经过期、什么只是一时的情绪状态、什么需要用户重新确认、什么必须被遗忘——它需要的不只是记忆容量，还有时间意识、状态意识和边界意识。

今年6月4日，OpenAI又上线了名为"Dreaming"（做梦）的新记忆系统：一个后台进程会在用户不在场时，自动从多轮对话里提炼、综合、改写它对用户的认知——像人在睡眠中整理记忆一样。

》里给出了一个具体到扎心的例子：一个截止日期从3月15日改到了4月20日，但由于记忆系统只是"追加"新信息而不是"修订"旧条目，两个日期会同时留在记忆库里。

MemoryBear以"感知→萃取→巩固→遗忘→反思→检索"组织完整记忆生命周期，从事件序列、关系变化、情绪线索、遗忘筛选四个维度梳理一段经历，构建了具备“形成、更新、遗忘、唤起”等关键动作的认知管理系统；

底层能力上，MemoryBear按"感知—萃取—关联—遗忘"组织完整记忆生命周期：感知层持续接入对话、工单、文档等业务流；

更值得警惕的是，这项研究不只停在实验室：研究团队对288个MCP服务器上的6062个工具做了漏洞扫描，发现其中608个工具的参数容易受到这种记忆漂移影响——这不是假设性的风险，而是已经存在于生产环境里的规模化隐患。

这时，记忆漂移就从表达问题升级成了操作问题。

为核心的Agent记忆技术体系。

二是记忆质量，通过记忆强度、低活跃识别、软删除与反思流水线，系统能自动去冗余、判别新旧信息冲突；

4月，又给开发者侧的Managed Agents加上了持久记忆公测版，Netflix等企业客户已经拿去跑生产环境