AI记忆

DeepTech：在产业落地过程中，客户更倾向于自研AI记忆能力，还是采购成熟方案？

对于中小型公司和创业公司而言，他们通常没有投入大量资金进行底层研发的能力，也没有足够的时间窗口从零搭建AI记忆能力。

目前我们已经商业化的产品，将AI记忆能力封装成ADK和API，对外提供记忆能力支持。

AI记忆的核心难点在于，同一件事情对于不同的人，其重要程度完全不同。

因此，AI记忆的核心能力需要转向理解用户，并主动决策什么信息应该被调用。

因此，我们认为AI记忆的核心方向不是无限堆叠复杂模型，而是在保证记忆能力的基础上，实现更低延迟、更低成本、更轻量化的架构。

张源：我认为AI记忆的核心并不在于“存储”，而在于“决策”。

在张源看来，AI记忆的核心并不是信息的存储，真正困难的问题是：什么应该被记住，什么应该被遗忘，什么时候应该调用哪一段记忆，如何让AI形成对一个人的长期理解。

最终，我们参考脑科学中人类海马体的记忆机制，设计了一套更轻量化、更接近人类记忆方式的AI记忆架构。

DeepTech：目前AI记忆的架构存在可读（如Markdown文件）和不可读（如向量存储）两种路线，这两种方式应该如何选择？

基于这一判断，我们开始进行架构迭代，并与香港中文大学相关实验室开展合作，希望结合脑科学等领域的研究成果，探索更接近人类记忆机制的新型AI记忆架构。

自研AI记忆的成本和周期更难承担，他们更需要借助成熟方案快速构建产品能力。

总体来看，越是需要长期交互、越依赖用户个性化理解的场景，对记忆能力的需求越强，AI记忆的价值不只是保存历史信息，而是在长期互动过程中不断建立对用户的理解。

DeepTech：面对不同行业客户，AI记忆产品应该采用定制化开发模式，还是标准化产品模式？

目前Agent在长期运行过程中，经常出现自我一致性不足的问题，同时AI模型本身一定会存在幻觉问题，那么AI记忆如何保证记忆的准确性，并降低幻觉带来的影响？

DeepTech：人类交流中包含大量情感、意图和隐含信息，而当前AI主要依赖文本理解，AI记忆如何理解和记录这些非显性信息？

目前Agent在长期运行过程中，经常出现自我一致性不足的问题，同时AI模型本身一定会存在幻觉问题，那么AI记忆如何保证记忆的准确性，并降低幻觉带来的影响？

如果未来模型能力继续提升，AI记忆是否会被模型本身取代？