近期爱分析访谈了 质变科技创始人占超群 ， 以下是本次访谈文章。

这是一次关于 AI记忆的深度对话。

随着大模型落地 进入深水区 ，记忆成为企业 AI 不可绕开的议题。 不过， 市场对记忆的认知仍然较为浅显 ——有人将其视为基模的一部分，有人将其等同于 RAG 工程化的一环，记忆在企业 AI 基础设施中的位置与价值尚未形成共识。

为厘清这一概念 和本质 ， 追踪最新的行业实践和落地进展，爱分析与 质变科技创始人占超群 进行了深度交流。

质变科技定位为独立于基模的记忆基础设施提供商，核心产品覆盖企业级决策轨迹、记忆计算、多模态理解等能力，目前服务金山办公、国投 ，以及 运营商、玩具公司等不同类型客户。

在此次访谈中，占超群分享了他对记忆本质、 记忆与基模的关系、 决策轨迹 ，以及 记忆与知识库/RAG 的本质区别、B 端与 C 端的差异、商业 化 落地 等 核心话题的 系统思考。

核心观点

记忆是 智能体 进化的基础设施。 大模型提供的是通用思考力，记忆提供的是可持续积累的经验、事实、偏好、决策轨迹与环境状态。一个真正有用的 AI，需要思考力与记忆力协同。没有记忆，AI 很容易停留在一次性问答。

决策轨迹型记忆是企业 AI 的关键突破口。   企业真正稀缺的往往不是文档本身，而是 “为什么这么做”的过程性经验。记忆层要在授权、权限和治理边界内，把组织运行中被验证过的审批依据、处理路径、异常判断与复盘反思，沉淀为可参考、可复用、可演化的最佳实践，让经验随业务持续迭代，而不是依赖零散口耳相传。

RAG 会被记忆层内化为一个检索原语。  RAG 作为检索增强生成的范式非常重要，但它更多解决“从外部资料找相关内容”的问题。企业级记忆要解决的是长期状态、动态写入、多源冲突、版本溯源、决策轨迹、权限安全和近数据计算。因此，未来 RAG 不会消失，但会成为记忆层中的一个能力，而不是完整答案。

企业记忆需要中立、可携带、跨模型。 模型可以迭代、切换、组合使用，但企业和个人的记忆不应被锁死在某一个模型生态里。我们认为未来会出现类似 “记忆护照”的形态：One Memory, One Truth。记忆跟人、组织和业务过程走，而不是跟某一代模型走。

做好记忆基础设施 ， 需要三位一体的能力。   第一是专属的数据理解模型，尤其是文档、表格、图片、音频、视频等多模态理解；第二是多模态数据平台与存储表征能力；第三是记忆管理与记忆计算能力，包括压缩、召回、版本、冲突、血缘、权限、代码执行与任务级上下文构建。

以下为本次访谈实录，在不改变原意基础上略有修改。

1、 记忆 独立于模型，是 AI进化的基础

爱分析：对于记忆 ，业内认知 还比较浅，理解也不太一样。 从 infra 这层来讲，记忆和基模之间是什么关系？各自边界在哪里？

占超群：   我倾向于把它们理解成  AI 系统里的两类基础能力： 基模主要提供 “思考力”，记忆主要提供“进化所依赖的状态” 。思考力解决的是模型能不能推理、规划、泛化和调用工具；记忆解决的是系统能不能长期记住事实、经验、偏好、决策过程以及环境变化。

从计算机系统的类比看，模型参数更像一种长期压缩过的通用知识，当前上下文更像工作内存，而企业记忆更接近一套面向  AI 的持久化状态层。它不是把数据简单存起来，而是要能被  AI 理解、调用、更新、校验和治理。

所以边界大致是：基模负责通用智能与推理，记忆层负责企业专属状态与经验积累。二者不是替代关系，而是乘法关系。模型再强，如果没有持续积累的企业上下文，就容易停留在 “瞬时聪明”；记忆再丰富，如果没有足够强的模型去理解和推理，也只是静态资料库。

爱分析： 如果要实现自进化，思考力和记忆力分别要做到什么程度？它们之间是怎么互相提升的？

占超群： 自进 化不是一个口号，它至少要求两件事同 时 成立。

第一，思考力要足够强 。它要支持 长 程推理、复 杂 任 务 分解、工具 调 用、低幻 觉输 出，以及 对 不确定性的判断。尤其在企 业 生 产 力 场 景里， AI 不只是回答问题 ， 还 要能解 释为 什么 这 么做、下一步怎么做、 风险 在哪里。

第二，记忆 力要足 够 可靠。它不 仅 要能保存已有知 识 ， 还 要能理解外部数据、沉淀 过 程 经验 、 识别 冲突、形成版本，并在合适的 时 机召回。 记忆 不是存得越多越好，而是要在任 务发 生 时 构造出足 够 精 炼 、足 够 完整、足 够 可信的上下文。

两者的关系是互相增强 的。模型通 过 推理把工作 过 程中的 经验 抽象 为记忆 ； 记忆 又反 过 来 为 模型下一次推理提供事 实 依据、 历 史案例和 组织 偏好。智能体之所以能越来越 聪 明，本 质 上依 赖这 个 闭环 ，而不是 单 次 问 答能力的 线 性叠加 。

爱分析： 对于 企业 用户来讲 ， 是否存在 两个记忆体 ——大模型内部有， 企业自己内部也有 一个统一的记忆 ？

占超群： 可以这么理解，但我会更谨慎地表述为：模型内部确实会有某种产品级或用户级的记忆能力，但企业真正需要的是一份可治理、可携带、可审计的统一记忆。

在企业侧，我们通常从两个视角建设记忆。

第一是岗位或角色视角，也可以理解为 “ 工作脑 ”。这里关注的是岗位场景中的可复用方法，而非个人表现本身。审批依据、异常处理路径、客户响应边界、代码评审关注点等，背后都有组织在真实业务中反复验证过的处理逻辑。员工经验本身应当被尊重；记忆层做的是在授权和治理前提下，沉淀其中可共享、可复用、可审计的部分，形成组织最佳实践，让新人少走弯路，也让团队在同一事实和方法框架下协作。

第二是企业整体视角。以售后场景为例，一个产品从定义、研发、测试、文档、培训、交付到客户反馈，中间每个环节都会产生信息损耗。客户最后提出一个问题时，如果  AI 只看售后文档，往往离真实原因很远。企业级记忆要把代码、产品定义、测试记录、培训材料、安装记录、工单反馈等串起来，形成公司级连续记忆，让  AI 能沿着链路追溯问题根因。

爱分析： 听起来，记忆是要把数据拉通之后，进一步去挖掘里面的隐性知识。它跟过去我们提的数据中台有什么本质区别？是不是在传统数据治理之上多了一层？

占超群： 我不认为它只是 “多了一层”。传统数据中台主要解决的是数据资产的集中、治理和服务化问题，但它面对的是一个相对静态的世界：字段、表、指标、标签、权限、报表。它很重要，但它并不天然等于  AI 记忆。

AI 记忆有两个本质差异。

第一， 它是以问题和使用者为中心实时组织上下文，而不是以数据资产本身为中心。过去做数据中台的人和业务使用者往往不是同一批人，中间存在天然语义断层。今天有了大模型，系统可以围绕一个具体问题去理解、查找、重组和验证信息，形成任务级上下文。

第二，它把大量过去无法有效治理的非结构化经验纳入进来。企业真正高价值的信息大量存在于文档、邮件、会议、聊天、代码、图片、视频、工单和人的操作轨迹里。没有大模型之前，这些信息很难被结构化、关联和复用；今天这件事开始可行。

所以， 数据中台更多解决 “数据能不能被管”；记忆层解决“经验能不能被  AI 理解、复用、演化 ”。 这是两代基础设施的差异。

爱分析：现在上下文窗口越来越大，Gemini 都做到 200 万 token 了，很多人会问：全塞进上下文不就行了，为什么还要一个独立的记忆层？

占超群： 这 是当前很常 见 的 误 解。 长 上下文非常重要，它解决的是 “ 这 一次能看多少 ”。但 记忆层 解决的是 “ 长 期能不能 记 住、能不能更新、能不能治理、能不能复用 ”。 这 两件事不能混 为 一 谈 。

我经 常用一个朴素 类 比： 上下文窗口是内存， 记忆 是硬 盘 ，不能因 为 内存条 变 大了，就把硬 盘 扔了。企 业 更不会因 为 某一代模型支持更 长 上下文，就放弃自己的数据 资产 和决策 资产 。

原因至少有三个。

第一，上下文是一次性工作内存，记忆 是跨会 话 、跨任 务 、跨模型的持久状 态 。会 话结 束以后，上下文不 应 成 为 企 业长 期 经验 的唯一 载 体。

第二，上下文按  token 消耗，企业 不可能每次都把几十  GB 甚至  TB 级 数据重新塞 给 模型。更合理的方式是由 记忆层 按任 务 需要构建精 炼 上下文，并在数据附近完成一部分 计 算。

第三，长 上下文不等于高 质 量召回。窗口越 长 ，噪声也越多，关 键 事 实 可能被淹没。真正可靠的系 统 需要 检 索、排序、 压缩 、溯源、冲突 识别 和 权 限控制，而不是 简单 “全塞 进 去 ”。

2、AI眼里的好记忆是决策轨迹

爱分析： 员工的 工作脑记忆里边，一个是任务执行 ， 类似于SOP 记忆 ，这种 记忆有规范、标准 ， 好 和 不好 是 有概念的； 但 另外一 种， 纯粹经验层面的 ，如 处理事情 的方法和思路，那么 AI 怎么去判断它是一个好的知识？AI 能自己识别吗？

占超群： 这里要先把 “好知识”这个概念拆开。企业里很多经验不是简单的对错题，而是条件题。某个审批为什么通过，某个客户为什么特殊处理，某个财务异常为什么没有按标准流程走，背后往往取决于上下文、约束条件、历史惯例和风险偏好。

我们现在重点做的方向叫 决策轨迹 。它不是简单记录 “做了什么”，更不是把个人经验机械复制成模板，而是记录“为什么这么做”：当时看到哪些证据，遵循了哪些规则，权衡了哪些风险，最终由谁做了判断。它本质上是把人和组织在真实业务中被验证过的过程性经验，结构化为可参考、可复用、可演化的记忆。

AI 能做初步识别，比如从过往工单、邮件、审批和会议记录里抽取决策链，找出相似案例，判断某个处理是否符合历史模式。但在高价值或高风险场景里， AI 不应独自定义什么是 “好”。更合理的做法是： AI 负责发现、归纳、对比和提示，人负责确认边界、合规性和例外条件。

以财务场景为例，绝大多数规则性动作可以逐步自动化，但最关键的一小部分往往是需要经验判断的异常场景。记忆层要支持的恰恰是这部分：当规则不够用时，为人提供可追溯的历史案例、约束条件和参考路径，辅助人做出更稳健的最终判断。

爱分析： 这个收敛的过程是因人而异的、一人一个工作脑，还是说当决策轨迹足够多以后，由 AI 自己去总结出一套通用的最佳实践？

占超群： 两者都会发生，但顺序很重要。我们通常先从一条条具体行为开始，把它还原成决策链记忆：输入是什么，判断过程是什么，行动是什么，结果是什么，后续有没有复盘。

当决策链积累到一定规模以后，系统可以做聚类、归纳和对比，形成 “在某类条件下通常怎么处理”的经验模型。但我不会轻易说它就是绝对最佳实践。企业场景里更准确的说法是“在特定约束下被验证过的高置信实践”。

当新人或接手同类任务的成员处理一个审批或工单时，系统会先找相似决策轨迹，展示过去怎么做、为什么这么做、结果如何。人可以参考既有路径，也可以基于新情况提出新的判断。新的判断如果在后续被验证有效，就会进入候选记忆并形成新的高置信实践。这样， 系统不是一次性训练出一个固定  SOP ，而是在持续工作中帮助组织实践不断演化。

爱分析： 那这些决策链里的审批节点，是需要人工去预设好，还是说 AI 在读取数据后，自己去不断挖掘和提炼出新的节点？

占超群： 实际上是人机结合。企业里有一部分节点本来就是显性的，比如  OA 流程、审批流、工单状态、财务规则、代码评审节点，这些可以直接继承。还有一部分节点是隐性的，比如 “这个客户为什么被特殊处理”“这个异常为什么暂缓”“这个风险为什么被放大”，这些需要  AI 从上下文里挖掘。

AI 的价值在于发现那些没有被流程系统明确定义、但真实影响决策的中间变量。 比如一封邮件里的语气、一次会议里的承诺、历史工单中的反复故障、某个客户的特殊  SLA ，这些都可能成为决策节点。

但节点被挖掘出来以后，需要有治理机制。它可以先作为低置信度候选记忆，经过业务人员确认、后续结果验证，再进入高置信度记忆。企业  AI 不能只追求自动化，还必须追求可解释和可控。

爱分析：日常工作中 ， 还会不断有新的 决策轨迹 堆叠，哪些要堆上去，哪些 没那么 合理，需要持续有人去判断？

占超群： 是的，这 就是 记忆 堆叠和 记忆 治理。 记忆 和知 识库 一个很大的区 别 在于： 知 识库 通常是静 态 写、静 态读 ； 记忆 是 动态 写、 动态读 ，而且需要不断修正 。

在实 践中，我 们 会 给记忆设 置多 维 度的置信机制：来源是否可靠、是否被多人确 认 、是否有 结 果反 馈 、是否与 现 有 规则 冲突、是否近期仍有效、是否属于例外情况。不是所有新行 为 都 应该 立刻成 为组织记忆 ，也不是所有 历 史 经验 都 应该 永 远 有效。

人仍然在闭环 里。 对 于高 风险场 景，新的决策 轨 迹可以先 进 入候 选 区，由 负责 人确 认 ； 对 于低 风险场 景，系 统 可以先形成低置信候 选记忆 ，再通 过结 果反 馈 、多人确 认 或后 续 复 盘 逐步提升置信度。 记忆 系 统 可信的前提，不是它永 远 不犯 错 ，而是每条 记忆 都能被 查 、被改、被撤回 。

爱分析： 也就是说，记忆有很多分支版本？

占超群： 对。 企业记忆有点像  Git ，不是一个永远只有单一版本的文本库，而是一个可以多人协作、多分支演化、可合并、可回滚的状态系统。

以报价为例，定价表里写过一个价格，销售会议讨论过另一个价格，老板在聊天里又给过一个特殊授权。 AI 不能简单取一个平均值，也不能随便相信最新一句话。它需要知道每个事实来自哪里，谁说的，何时说的，适用于哪个客户，是否被确认过，是否已经过期。

这就是版本、血缘和冲突管理的意义。最终业务负责人可以明确说：这个客户以我在某次正式沟通中确认的版本为准。系统就会把这次确认作为新的高置信记忆，同时保留旧版本和适用范围。没有这套机制，记忆就会变成更危险的 “自信错误”。

爱分析：记忆跟知识库 有哪些 区别？

占超群： 我会从五个维 度区分。

第一，知识库 以文档和条目 为 中心， 记忆 以任 务 、 实 体、事件和决策 轨 迹 为 中心。

第二，知识库 通常是只 读 或弱写入， 记忆 必 须 支持 读 写、更新、冲突 处 理和版本演化。

第三，知识库 主要解决 检 索 问题 ， 记忆还 要解决 “什么 时 候 该记 、 该 忘、 该 合并、 该 覆盖、 该 提醒 ”的生命周期 问题 。

第四，知识库较 少 处 理跨系 统过 程 经验 ，而 记忆 要把 邮 件、会 议 、代 码 、工 单 、 报 表、 审 批、数据 库 等多源信息 组织 成 连续 上下文。

第五，企业记忆 必 须 内置 权 限、安全、溯源和近存 储计 算。它不 仅 要回答 “答案是什么”， 还 要回答 “依据是什么、 谁 能看、是否 过 期、能不能回 滚 ”。

所以， 知识库 是 记忆层 里的重要 组 成，但不等于 记忆层 。

爱分析：日常需要跟 记忆 去交互的， 涉及 所有的企业内部 相关 系统 ？

占超群： 从最终 形 态 看，是的。因 为 企 业  AI 要解决真实问题 ，就不可避免地要 连 接真 实 系 统 ： OA 、 IM 、邮 件、 CRM 、 ERP 、代码仓库 、数据 仓库 、工 单 系 统 、知 识库 、文档系 统 、会 议 系 统 等。

但这 不是 简单 “全部打通”。企 业记忆 需要一套 统 一的 连 接、索引、 权 限和 审计 机制。每接一个系 统 ，都要回答几个 问题 ：哪些数据可以 进 入 记忆 ， 谁 有 权 看，哪些信息只能作 为计 算依据不能暴露，哪些 记忆 可以写回，哪些 动 作需要 审 批。

未来的数据技术 会出 现 一个面向  AI 的记忆  infra 。 它不只是服务 搜索，而是服 务 智能体的 长 期任 务执 行。否 则  AI 很难 真正 进 入生 产 力核心 环节。

3、为什么记忆难做？需要专属模型、多模态能力、记忆管理和计算能力

爱分析：记忆 作为 基础设施 一部分 ， 消 耗的算力 应该 比应用还要多 ？

占超群： 在重型企业场景里，经常会是这样，但也要看任务类型。记忆的算力不是只发生在问答时，而是发生在全生命周期：数据接入、文档解析、多模态理解、结构化抽取、索引构建、摘要压缩、版本比对、冲突检测、权限计算，以及任务执行时的近存储计算。

尤其是我们做的很多客户，文档不是几十页，而是几千页、几十万页；数据也不是单一文本，而是  PDF 、 Word 、 Excel 、图片、音频、视频、代码和数据库混在一起。如果前面的理解错了，后面的记忆和推理都会错，这就是  Garbage in, Garbage out 。

所以， 在高准确率生产力场景里，记忆  infra 的计算投入往往不低于应用层，甚至更高 。

爱分析：这样的话 ， 以记忆为中心的基础设施， 和 以思考力或者说以 模型 计算为核心的 基础设施， 是完全独立的两套体系 ？

占超群： 我不认为 它 们 是完全独立的两套体系，更准确地 说 ，是两 类 相 对 独立、但高度耦合的基 础设 施。

模型计 算 负责 推理、 规 划、生成和工具 调 用； 记忆计 算 负责 数据理解、状 态 管理、召回、 压缩 、溯源、冲突、 权 限和近数据 执 行。 两 边 都需要模型，也都需要算力，但关注点不同。

如果思考力弱， AI 做复杂 任 务 的 规 划和推理能力会不足；如果 记忆 力弱， AI 的任务 成功率、上下文一致性和可信度会不足。企 业 最 终买 的不是 单 点能力，而是 “能不能 稳 定完成任 务 ”。从 这 个角度看，思考力和 记忆 力缺一不可 。

爱分析：模型厂商为什么不能 同时做模型和记忆？为什么 只 会 侧重于思考力？

占超群： 模型厂商当然可以做记忆，而且已经在做。 但企业级独立记忆层仍然有存在价值 ，原因主要有三点。

第一是中立性。企业不会希望自己的长期记忆被绑定在某一个模型里。今天用  GPT ，明天用  Claude ，后天用  Gemini 或国产模型，这很正常。模型可以换，但企业记忆最好只有一份。记忆跟人和组织走，而不是跟模型供应商走。

第二是治理边界。模型厂商的产品型记忆更多面向用户体验和个性化，企业记忆面对的是权限、安全、审计、合规、血缘、版本、冲突、私有化部署和信创适配。这些不是 “记住用户偏好”能覆盖的。

第三是技术栈差异。做好企业记忆，需要很强的数据理解模型、多模态数据平台、记忆管理和记忆计算能力。给你一个几千页  PDF 、几十个  Excel 、若干会议纪要和多套数据库，系统要理解版式、表格、图像、实体、时间线、业务语义和决策链。这件事不是在聊天产品里加一个  memory 功能就能解决的。

爱分析：但现在模型厂自己都在做记忆了， OpenAI 上个月刚发了  Dreaming V3 ，谷歌有  Personal Context ， Claude 也全量开了记忆。它们自带的记忆，和你们这种独立记忆层到底差在哪？

占超群： 我认为这恰恰证明了记忆正在成为  AI 的核心能力。无论厂商具体叫什么版本，方向都很清楚： AI 不能只靠一次性上下文，必须具备长期个性化和持续状态。

但模型厂商自带记忆和企业独立记忆层的边界还是明显的。

第一，所有权和可携带性不同。产品型记忆通常跟随某个模型或某个应用生态，企业级记忆需要跨模型、跨应用、跨系统。用户真正希望的是 “一份记忆，多处可用”。

第二，准确性和治理要求不同。消费级记忆记错一句偏好，通常只是体验问题；企业记忆记错一个报价、权限、审批依据或客户承诺，可能就是经营事故。

第三，能力深度不同。企业级记忆要处理多源数据、实体级权限、冲突管理、血缘溯源、版本回滚、私有化部署、信创环境和近存储计算。模型黑盒里的记忆通常很难让企业审计每一条记忆从哪来、为什么生效、如何撤销。

所以，我们不是否定模型厂商做记忆，而是认为： 模型厂商做的是产品体验层的记忆，企业还需要一层中立、可治理、可携带的记忆基础设施 。

爱分析： 记忆 是一套独立的计算 能力 ？

占超群： 是的。 记忆 不只是被 检 索的 对 象，它本身也要具 备计 算能力 。

举 个 账单 分析的例子。 AI 首先会  search memory ，找到与账单 相关的合同、 邮 件、 发 票、 审 批、 历 史付款 记录 和异常 说 明。接下来它不会把所有原始材料都塞 进 大模型，而是在 记忆层 里做 筛选 、聚合、 计 算、比 对 和溯源，只把关 键证 据和 结 果交 给 模型 继续 推理。

这 就是近存 储计 算。随着企 业 数据 规 模越来越大，未来很多 计 算 逻辑 会从模型 侧 下沉到 记忆侧 。大模型 负责 提出 问题 和 规 划路径， 记忆 引擎 负责 在数据附近 执 行 计 算、返回可信 证 据 。

爱分析： 这里边的 步骤是 AI自主规划的 ？

占超群： 是由模型的思考力来规 划，但不是不受 约 束的自由 发挥 。一个可靠的企 业 智能体， 应该 在 记忆 系 统 提供的工具、 权 限、数据目 录 和安全策略内做 规 划。

它会不断问记忆 ：有哪些相关数据，哪些 证 据可信，哪些信息冲突，哪些 结 果需要 进 一步 验证 。 它先跑一段， 发现规 律，再 继续 深入。 这 个 过 程有点像一个 优 秀分析 师 做研究：先形成假 设 ，再找 证 据， 证 据不 够 就 继续 追 问 ， 发现 矛盾就回到源 头 。

如果让 人手工做，复 杂账单 或 经营 分析可能要几天甚至一周。 AI 的优势 不是 “看一眼就知道答案”，而是能把大量探索、比 对 和 验证过 程自 动 化 。

爱分析：分析深度是 由记忆 里面的计算 决定的？

占超群： 可以说 很大程度上由 记忆计 算决定，但更准确地 讲 ，是由 “模型 规 划能力   × 记忆计 算能力   × 数据理解质 量 ”共同决定。

如果模型规 划弱，它不知道 该问 什么；如果 记忆计 算弱，它无法在海量数据里 执 行有效分析；如果数据理解 错 了，所有分析都是建立在 错误输 入上。

所以我们 一直 强调 三位一体： 专 属数据理解模型、多模 态 数据平台、 记忆 管理和 计 算能力 。企 业  AI 的可靠性，不是某一个环节单 独决定的，而是整条 链 路共同决定的 。

爱分析： 记忆的 计算 ，模型是质变自己训练 ？ 训练 的内容和方向是什么样的？

占超群： 我们 会分 层处 理。外 脑层 面可以 调 用不同大模型，例如  GPT 、 Claude 、 Gemini 或国产 大模型， 这 部分主要承担通用推理和任 务规 划。但 在 记忆 内部，很多子任 务 并不需要超大模型，而需要高精度、低成本、可控的数据理解模型 。

我们训练 和 优 化的重点包括：文档版式理解、表格 结 构 还 原、 图 文关 联 、多模 态实 体抽取、 时间线 构建、决策 链 抽取、 长 文档分 块 与 压缩 、跨文档 对齐 、冲突 识别 和 证 据溯源。

换 句 话说 ，我 们 不是 为 了再 训练 一个通用聊天模型，而是 训练 一 组 面向 记忆 的 专 用模型。它 们 的目 标 不是 “会聊天”，而是“把企 业 复 杂 数据理解 对 、 组织 好、算得准 ” 。

爱分析：今年大家对  token 成本特别敏感，记忆层在降本上能帮企业什么？

占超群：帮助非常直接。现在很多企业做  AI 的方式，是把大量上下文反复塞进模型。短期看简单，长期看  token 成本、延迟和稳定性都会出问题。

记忆层的逻辑是反过来的：不是把几十  GB 原始数据喂给模型，而是让模型把计算意图投递到记忆里。 记忆层通过检索、过滤、聚合、代码执行和证据压缩，返回最相关的结果。这样既减少重复上下文注入，也降低大模型对无关信息的处理负担。

对企业来说，记忆层不只是让  AI 更懂我，也是把大模型调用从 “粗放式堆  token” 变成 “按需构建上下文  + 近数据计算 ”的降本工具。尤其在今年，很多客户确实会把  token 成本和硬件成本一起算总账。

4、记忆是渐进式执行，比ChatBI更灵活

爱分析： 刚才的账单分析场景，记忆的分析能力和 ChatBI 能力很像？

占超群： 表面看有相似之处 ，都是 让  AI 帮人分析数据，但底层逻辑 不一 样 。

ChatBI 主要围绕结 构化数据、指 标 体系和自然 语 言 查询 展开，适合回答 “某个指 标 是多少、同比 环 比如何、按什么 维 度拆分 ”。 记忆 分析面 对 的是更开放的 问题 ： 为 什么 发 生， 过 程 证 据在哪里， 历 史上 类 似情况怎么 处 理，哪些文档、 邮 件、 审 批和数据 库记录 能互相印 证 。

所以， ChatBI 更像一个自然语 言数据分析入口 ，记忆 更像一个跨文档、跨系 统 、跨 时间 的任 务执 行与 证 据推理 层。

爱分析： 那么记忆能 cover 掉整个ChatBI 场景， 还是说跟ChatBI定位不太一样？

占超群： 我不会简单说记忆 会完全替代  ChatBI ，更准确的判断是： 记忆 会吸收一部分生成式分析需求，同 时 和成熟  BI 体系长 期共存。

对 于指 标查询 、 标 准 报 表、固定 经营 看板， 传统  BI 仍然有价值 ，因 为 它 稳 定、可控、响 应 快。但 对 于开放式 问题 ，例如 “ 为 什么 这 个区域流量下降 ” 、 “某个 项 目 为 什么 风险 暴露 ” 、 “客 户 流失背后的真 实 原因是什么 ” 等 ， 单纯  ChatBI 就不够 了。

记忆 的 优势 在于任 务导 向和 渐进 式 执 行。它可以先从 问题 出 发 ，逐步 查 文档、跑数据、看工 单 、追 审 批、找 历 史案例，并在 过 程中不断 调 整分析路径 ，这 比固化 查询逻辑 更接近真 实业务 分析 。

爱分析：从记忆角度出发，企业的专属语义本身就已经在里边了？ 看上去对于 ChatBI 是完整的一个可以替代的过程，虽然路径不太一样。

占超群： 企业级 数据 领 域有两个 长 期 难题 。第一，表太多、字段太多，人理解和使用的效率很低。第二，复 杂业务问题 往往不是一个  SQL 能回答的，而是需要跨数据、跨文档、跨流程去解释 。

过 去很多数据中台和  BI 项 目效果不理想，一个根本原因是没有真正从最 终 使用者 视 角出 发 。做数据源治理的人和真正做 业务 决策的人不是同一批人。一个字段名可能只有两个字，但 业务 人 员 心里关 联 的是一整套 场 景、 风险 、客 户 、策略和 历 史背景。

记忆层 可以在使用 过 程中不断 补齐这 些 专 属 语义 。比如  AI 在分析风险时发现 某个字段描述不足，可以生成 术语 解 释 、 补 充 业务 属性，甚至提示数据 团队 更新口径。 这样 ，企 业语义 不是一次性建模完成的，而是在  AI 与业务 交互中持 续 演化 。

爱分析：这些属性最终是映射到 AI 的记忆里 ，而不是 在数据体系里？

占超群： 第一落点通常会在记忆 里 ， 因 为 很多 业务语义 是 动态 的、 场 景化的、因人而异的。先放在 记忆 里， AI 才能在具体任务 中灵活使用。

但我不认为 它永 远 不 进 入数据体系。比 较 成熟、 稳 定、被多人 验证 的 语义 ， 应该 反哺数据治理， 变 成指 标 口径、字段描述、 业务标签 或主数据的一部分。 记忆层 和数据体系不是割裂的，而是一个前后端关系： 记忆 更靠近使用 现场 ，数据治理更靠近 长 期 规 范。

例如，有客户 会用一个非常短的内部 缩 写来指代某 类风险资产 。 对 外部人来 说 ， 这 个 缩 写几乎不可理解，但 业务 人 员 知道它背后 对应资产类 型、 风险 属性和一 类处 理 规则 。 AI 在使用过 程中把 这 些 语义记 下来，下一次遇到 类 似表达就能正确理解 。

爱分析：这样的话，记忆体有分支的概念 ， 即使对于同一个数据， 不同的 描述都存下来了 ， 用户不同的问法， 就可以 解决 对应描述的 问题了。

占超群： 对 。企 业 里同一个数据 对 象， 财务 、 销 售、 风 控、运 营 、研 发 看到的含 义 可能完全不同。 记忆层 要允 许 多 视 角、多版本、多 语义 并存。

这 不是鼓励混乱，而是承 认 企 业 知 识 本来就是多 视 角的 ， 关 键 在于系 统 要能区分：哪些是同一事 实 的不同表达，哪些是真正冲突的事 实 ，哪些只在某个角色、 项 目或 时间 段内有效。

用户 不同 问 法背后往往代表不同任 务 意 图，记忆层 要把 这 些 问 法、意 图 和 历 史解 释 沉淀下来， 让  AI 越用越懂企业语 言 。

爱分析：记忆还可以可视化出来让人去调？

占超群： 必须 可以。企 业 不会信任一个完全黑盒、 还 会自我更新的 记忆 体。

我们 需要把 记忆 的多角度信息可 视 化出来： 这 条 记忆 来自哪里，关 联 哪些 实 体和事件，有哪些版本，和哪些 记忆 冲突， 谁 有 权 限看，何 时 被 验证过 ，是否被用于某次决策。

可视 化不是 锦 上添花，而是企 业级 信任的基 础 。人可以 查 看、 编辑 、合并、 废 弃、回 滚记忆 ，也可以 调 整 权 限和适用范 围 。只有 这样 ， 记忆 系 统 才可能从 “好像很 聪 明 ”走向“可以被 组织 托付 ” 。

爱分析：企业 侧落 地，知识的权限和安全性是通过文档里边的字段 和 行去确认。那像记忆，是不是会面临比较大的权限和安全问题？

占超群： 是的，而且记忆 的 权 限 问题 比普通文档更复 杂 。因 为记忆 不是 简单 复制原文，它会把跨文档、跨系 统 、跨人的信息重 组 起来。 如果 权 限做不好，可能出 现 “ 单 条数据不敏感，但 组 合后 变 敏感 ”的情况。

我们 一般从三 层处 理。

第一是源数据权 限。原始文档、 项 目、数据 库 、工 单 本身的 权 限要 继 承。

第二是实 体 级权 限。比如出 资 人、客 户 、 项 目、供 应 商、 员 工、合同等 实 体都有不同可 见 范 围 。某个角色可以看 项 目整体，但不一定能看出 资 人 细节 ；可以看 统计结 果，但不一定能看原始明 细 。

第三是动 作 权 限。 读 取、写入、修改、 删 除、 导 出、 调 用外部工具，都 应该 有不同控制。

所以，企业记忆 的安全不是 简单 文档  ACL ，而是 “源权 限  + 实 体 权 限  + 任务权 限  + 审计 ”的 组 合 。

爱分析：如果企业有一个 OA，组织权限就可以继承到这里？

占超群： 可以继 承，但不能机械 继 承。 OA 里的组织 、角色、部 门 、 项 目 组 是基 础 身份体系， 记忆层 会把它映射到 实 体和任 务权 限上。

比如某个管理人员 在  OA 里属于项 目 组 ，但他能不能看供 应 商 报 价、 员 工 绩 效、客 户 敏感信息， 还 要 结 合 业务规则 判断。 记忆层 要支持企 业 已有 权 限体系，同 时 允 许 按 实 体、 场 景和任 务 做更 细 粒度控制。

简单讲 ， OA 提供身份与组织 关系， 记忆层 提供面向  AI 使用场 景的 权 限解 释 和 执 行 。

爱分析：记忆既然是可写、还会自进化的，那会不会被污染、被投毒？企业凭什么信任一个会自己改自己的记忆体？

占超群： 这是记忆系统最关键的安全问题之一。传统  prompt 注入往往是单次、无状态的；记忆一旦被污染，风险会跨会话持续存在，这就是记忆系统特有的新攻击面。

我们的思路不是假设  AI 永远不会被污染，而是把记忆写入和更新变成可治理过程。

第一，写入要有策略。不同来源、不同角色、不同类型的信息，写入记忆的权限和置信度不同。

第二，冲突要能被发现。新写入内容如果和高置信记忆矛盾，系统应提示冲突，而不是静默覆盖。

第三，血缘要可追溯。每条记忆从哪来、谁写入、何时写入、是否被验证、是否被用于决策，都要可查。

第四，版本要能回滚。污染发生后，企业不能只靠人工猜测，而要能定位影响范围并恢复到安全版本。

第五，高风险写入要有人审。尤其是规则、价格、权限、合规口径、客户承诺这类记忆，不能完全交给自动化。

企业信任记忆，不是因为它不会犯错，而是因为它的错误可发现、可解释、可纠正。

5、B 端与 C 端共用一套记忆框架

爱分析：记忆虽然定位在 infra 层， 但对于 C端或B 端用户来讲，是不是也有具体的 应用 场景 ，能让用户有更好的认知和理解 ？

占超群： 是的。 Infra 的价值 最 终 一定要通 过场 景 让 用 户 感知到。

在  B 端，最直接的是办 公助手、决策智能体、售后智能体、投 资 分析助手、 经营 分析助手、研 发 助手等。用 户 感受到的是： AI 不再每次都从零开始，而是知道企业历 史、知道 业务语 言、知道 审 批 规则 、知道 过 往案例。

在  C 端，可以是跨应 用个人助理、 AI 玩具、 AI 硬件、家庭机器人、陪伴式设备 等。用 户 感受到的是：不同 设备 可以共享 连续记忆 ， AI 能理解长 期关系、偏好、情 绪 和生活情境。

所以，记忆 作 为  infra 在底层 是 统 一的，但呈 现给 用 户时 一定是具体 应 用 。

爱分析：会有 那种 穿戴式的记录生活 的 相机 ？ 它本质上是一个记忆。

占超群： 会有，但我要补 一句： 记录 不等于 记忆 。

穿戴式设备 可以 产 生大量原始 记录 ，比如 图 像、声音、位置、事件流。但真正的 记忆 要做 选择 、抽象、关 联 、 遗 忘和召回。人 类记忆 不是硬 盘录 像， AI 记忆 也不 应该 只是无差 别录 制。

比如一个生活相机记录 了你一天 发 生的事情， 记忆层 要判断哪些是重要事件，哪些只是噪声；哪些涉及 隐 私，哪些可以被未来任 务调 用；哪些需要和家庭、工作、健康或情 绪 状 态 关 联 。只有完成 这 些 处 理，它才从 “ 记录 系 统 ” 变 成 “ 记忆 系 统 ” 。

爱分析： 玩具的 记忆是类似于 个人的 世界观， 跟企业的记忆相比，是 一套同样 的 体系 ，还是有明显 区别？

占超群： 底层 框架有共通之 处 ，但 记忆类 型和 约 束差异很大。

企业记忆强调 行 动 、准确性、 权 限、合 规 、可解 释 和可回 滚 。它的目 标 是帮助  AI 做对 事，尤其是高价 值 生 产 力任 务 。

玩具和  C 端硬件记忆 更 强调连续 关系、情 绪 、世界 观 、人 设 、跨端体 验 和响 应 速度。比如同一个孩子有  10 个玩具，他希望这 些玩具共享一个 连续记忆 ；玩具今天听到的故事，明天在游 戏 里 还 能延 续 。 这 里 还 涉及 语义 、情 绪 、关系、 过 程和多模 态 情境。

如果进 一步到机器人， 还 会有行 动记忆 、空 间记忆 、 3D 语义图谱 、身体状 态 和 环 境交互 记忆 。它和企 业记忆 共享 “ 长 期状 态 管理 ”的底座，但上 层类 型差异很大 。

爱分析： 这么说，针对 B端和C端，完全就两套不同的产品？

占超群： 不是完全两套产 品，而是一套架构、不同 记忆类 型、不同治理策略。

企业侧 偏准确、 权 限、 审计 、私有化和 业务闭环 ； C 端偏低延迟 、情 绪连续 性、跨 设备 、个性化和体 验 自然度。 B 端可以为 了准确性慢一点， C 端很多交互必须 非常快，否 则 用 户 体 验 会断掉。

所以底层 是 统 一的：多模 态 理解、 实 体事件建模、 记忆 召回、版本、冲突、 权 限、生命周期。但配置、 优 化目 标 和 产 品形 态 会不同 。

爱分析： 这些是 企业和个人都共通的点？

占超群： 共通的是记忆 框架：事 实 、事件、偏好、关系、行 动 、反思、世界 观 、情 绪 或情感状 态 ，都可以作 为 不同 类 型的 记忆 被管理。

不同的是权 重。企 业场 景里，事 实 、 证 据、 权 限、流程和决策 轨 迹 权 重更高；个人和硬件 场 景里，关系、情 绪 、世界 观 、 习惯 和跨端 连续 性 权 重更高。

我们 会用  Builder 体系来适配不同数据源和应 用形 态 。你可以把它理解 为 ：底 层 是一套 记忆 操作系 统 ，上 层 按 场 景装不同的 “ 记忆应 用 ”和“ 记忆类 型 ” 。

爱分析： 记忆类型 ，现在是一个成熟的体系吗？或者说未来会有比较大的变化，导致底层的产品还需要大的迭代？

占超群： 这 个 领 域 还 没有完全成熟，我不想把 话说满 。 现 在行 业对记忆类 型的定 义还 在快速演化。

我们 已 经 看到很多 类 型：事 实记忆 、偏好 记忆 、事件流、决策 轨 迹、行 动记忆 、情 绪记忆 、反思 记忆 、世界 观记忆 、 实 体关系 记忆 、 项 目 记忆 、会 话记忆 等。不同智能体和不同 场 景 对 粒度要求也不同，有的按用 户 ，有的按 项 目，有的按  agent ，有的按  session ，有的需要隔离共享，有的需要  time travel 和多版本冲突。

我们 从第一天 设计 架构 时 ，就尽量避免把系 统 写死成某几 类记忆 。底 层 要支持 扩 展，因 为 未来一定会出 现 今天 还 没完全定 义 清楚的新 记忆类 型 。

爱分析： 怎么看待 开源 ？通过开源去 开拓市场 ，价值有多大？

占超群： 我们 会推 进 开源，但会比 较 克制地 设计边 界。

记忆 是一个需要生 态 共 识 的 领 域。开源 对 开 发 者教育、接口 标 准、 连 接器生 态 、 评测 基准和最佳 实 践都有价 值 。尤其在行 业 早期，大家需要看到可运行的参考架构，而不是只听概念。

但企业级记忆 真正 难 的部分，除了代 码 ， 还 有数据理解能力、工程 稳 定性、部署能力、安全治理、 权 限体系、客 户场 景沉淀和持 续 运 营 。 这 些不是把代 码 放出来就自 动 解决的。

所以，我们 会把开源作 为 生 态 建 设 和 标 准推 动 的重要方式，但商 业 价 值 仍然来自企 业级 可靠性和 场 景深度 。

爱分析：现在 做记忆的厂商 没那么多，是因为大家还没看到机会点？

占超群： 一部分原因是市场认 知 还 没有完全到位，另一部分原因是 这 件事确 实 比看起来 难 。

现 在很多人把 记忆 理解 为 “聊天 记录 摘要 ”或“ RAG 的一个模块 ”。如果只是 这 个 层 面， 门槛 似乎不高。但真正到企 业 生 产 力 场 景， 问题 会迅速复 杂 起来：文档理解、多模 态 表征、 权 限、冲突、版本、溯源、 长 期 评测 、成本、私有化部署，每一 项 都不是 轻 量功能。

另外，很多公司是在具体任务 里做一个特定 记忆 模 块 ， 还 没有抽象成 标 准化基 础设 施。 这 个 阶 段有点像早期大数据： 2007 、 2008 年前后大家都在处 理海量数据，只是当 时还 没有形成 统 一 语 言和成熟平台 。

爱分析： 离 共识还比较远。

占超群： 是的，但我认为 方向上的共 识 会比大家想象得来得快。

今天行业 分歧主要在三个 层 面：第一， 记忆 到底是 产 品功能 还 是基 础设 施；第二， 记忆 和  RAG 、知识库 、 长 上下文的 边 界在哪里；第三，企 业级记忆 的 评测 和治理 标 准怎么建立。

随着更多真实场 景落地，大家会逐 渐 意 识 到： 记忆 不是 “模型背后的一个小功能”，而是智能体能不能 进 入生 产 力 场 景的关 键 前提。共 识 不是靠定 义 争出来的，而是靠 场 景跑出来的 。

6、70%硬件投入，记忆所需的硬件比例比普通的AI应用要高得多

爱分析：从企业的 infra 角度出发， 记忆 会挤占掉原来很多知识 和 数据作为底座的价值 ？

占超群： 我会说 是价 值 重心会重新分配，而不是 简单挤 占。

知识库 、 RAG 、数据仓库 、数据湖、数据中台都不会凭空消失。它 们 仍然是企 业 数据 资产 的重要 组 成部分。但 在  AI 时 代，企 业 需要一 层 面向智能体的 记忆 基 础设 施 ，把 这 些 资产组织 成  AI 可以长 期使用、 动态 更新、可治理、可 计 算的状 态 。

因此， RAG 会从独立产 品形 态 逐步 变 成 记忆层 里的 检 索原 语 ；知 识库 会成 为记忆层 的来源之一；数据平台会 继续 作 为 底 层 事 实 源和治理底座存在。 记忆层 不是消 灭 它 们 ，而是把它 们 重新 编 排到  AI 的任务闭环 里 。

爱分析： 展开讲讲。

占超群： RAG 的原始思想非常重要：把模型的参数化知识 和外部非参数化知 识结 合起来，通 过检 索增 强 生成能力。但企 业级应 用走深以后， 单纯  RAG 会暴露几个问题 。

第一，它通常是静态读 多、 动态 写少。企 业 知 识 是不断 变 化的，人的 经验 、 项 目 进 展、客 户 承 诺 、 审 批口径都在 变 。如果系 统 不能写、不能改、不能追溯，就很 难 支撑 长 期任 务 。

第二， RAG 更多是 “给问题 找 资 料 ”，但企 业 决策需要 “ 围绕 任 务组织证 据 ”。 这 中 间 涉及多 轮 探索、假 设验证 、跨系 统计 算、冲突 处 理和 结 果复 盘 。

第三， RAG 往往以文档或片段为 中心，而 记忆 要以 实 体、事件、关系和决策 轨 迹 为 中心。人使用知 识 不是一次搜索，而是一整套复 杂过 程。

第四，企业 知 识 天然多模 态 。文档、表格、 图 像、音 频 、 视频 、数据 库 、代 码 、聊天 记录 都可能是 证 据。只把文本切 块 存向量， 远远 不 够 。

所以我认为 ， RAG 不会消失，但会被记忆层 内化。它是 记忆 系 统 中的 检 索能力，而不是企 业  AI 的完整答案。

爱分析：RAG更像是一个一次性的 ， 记忆是一个可进化的，是一个持续能解决问题、适应最新环境的 ？

占超群： 可以这 么理解，但我会稍微修正一下： RAG 本身也可以做工程化更新，并不一定只能一次性。但它的核心仍然是检 索增 强 ，天然更偏 “ 读 ”。

记忆 的核心是状 态 演化。它不 仅 要 读 ， 还 要写；不 仅 要召回， 还 要判断是否 过 期；不 仅 要找相似内容， 还 要 处 理冲突、版本、生命周期和适用范 围 。

RAG 是以检 索 为 核心的 查询 ， 记忆 是由  AI 思考力驱动 的状 态 管理和任 务执 行。 这 个差异会随着 场 景复 杂 度上升 变 得非常明 显。

爱分析：企业 用户 确实对于 AI 自主规划的理解和认知还是有很大的一个问号 ， 反正工作流是最直接的，即使到现在，大部分企业也不会觉得自主规划的工作流能占主流。

占超群： 这 个担心是合理的。企 业 不会因 为 一个  AI 看起来会规 划，就把核心流程全部交出去。

我认为 自主 规 划 进 入企 业 ，会 经历 几个 阶 段。第一 阶 段是 辅 助式， AI 帮人找资 料、做分析、 给 建 议 。第二 阶 段是受控 执 行， AI 在明确权 限和 边 界内完成部分任 务 。第三 阶 段才是更高比例的 闭环 智能体，但也一定有 审计 、回 滚 和人工干 预 机制。

记忆 在 这 里的作用，是 给 自主 规 划装上 “ 轨 道 ”。它告 诉  AI 过 去 类 似任 务 怎么做，哪些 规则 不能碰，哪些数据可信，哪些 动 作需要 审 批，哪里容易出 错 。没有 记忆 的自主 规 划很容易 飘 ；有了决策 轨 迹和 组织约 束， AI 才可能在企业 里逐步承担更复 杂 任 务 。

所以，未来不是工作流突然消失，而是工作流从硬编码 流程，逐步演化 为 “ 规则 流程  + 记忆约 束  + 智能规 划 ”的混合形 态。

爱分析：从商业化 落地 角度 ，记忆 是按应用 还是按  infra ，拿客户的哪一部分预算？

占超群： 两种都有，取决于客户 成熟度和采 购 方式。

对 于某些大型 办 公 软 件或平台型客 户 ，更容易以  infra 方式接入，通过  API 、 SDK 或平台能力嵌入到自己的产 品和智能体体系里。

对 于央国企、运 营 商和大型集 团 ，往往是 “基座  + 应 用 ”一起采 购 。客 户 既需要底 层记忆 平台，也需要上 层 决策智能体、分析助手或 业务应 用，否 则单 独 买  infra 很难 快速 产 生 业务 价 值 。

预 算来源也会混合 ： AI 基础设 施 预 算、数据平台 预 算、知 识 管理 预 算、 业务应 用 预 算，甚至部分会 进 入数字化 转 型或 经营 分析 专项 。企 业 真正关心的不是 这 个 预 算叫什么，而是它能不能沉淀 长 期 资产 、提升任 务 成功率、降低 试错 成本 。

爱分析：介绍 下 实际的落地案例。

占超群： 可以讲两个典型方向。

第一类是某大型央企的项目分析和季度经营分析。每个季度要汇总大量材料，包括邮件、 Excel 、 PDF 、 Word 、项目报告、行业资料等。客户希望按公司、项目、行业、风险维度串起来，做风险评估、运营管理、行业判断和后续行动建议。这个场景用普通  RAG 很难做好，因为它不是单文档问答，而是跨材料、跨时间、跨组织的综合决策。

第二类是某大型运营商场景。运营商有大量策略文档、经营数据、数仓数据和业务系统数据。以前经分更多是回答 “发生了什么”，比如  KPI 为什么没完成、哪个区域下降了。现在客户更关心 “下一步该怎么做”，比如套餐策略怎么调、渠道动作怎么排、用户流失怎么干预。这就从分析走向决策，需要记忆把历史策略、执行过程和结果反馈串起来。

这两个场景的共同点是：数据量大、来源复杂、准确性要求高、决策链长。它们正是企业级记忆最能体现价值的地方。

爱分析：像这类央国企项目，如果把 Infra 和应用包在一起，整体的预算大概在什么级别？软件和硬件的比例是多少？

占超群： 从我们目前服务的重型客户看， 一个完整项目如果包含  infra 和上层应用，软件侧可能在几百万元级，典型重型部署大概在  300 万元左右；如果算上硬件，总体可能接近千万元级 。当然，这不是标准报价，不同客户的数据规模、部署环境和场景复杂度差异很大。

硬件占比可能到  70% 左右，比普通  AI 应用更高。 原因是记忆  infra 要做大规模数据编排和多模态模型加工。很多大客户一个文档就几千页，历史材料数量非常大。要把它们分布式并行解析、理解、索引和计算， GPU 、存储和网络资源都要上去。

但客户算的不是一次性软硬件账，而是长期能力账。更重要的是，在合规授权和组织治理前提下，把长期项目中被验证的判断依据、处理路径和复盘结果，转化为可复用的组织最佳实践。它的价值体现为降低重复试错、缩短新人熟悉业务的周期、提升跨团队协同一致性，并让关键经验随业务演化持续累积。

爱分析：2026 年 ， 质变科技有什么规划和目标？

占超群： 2026 年我们 会沿着三个方向推 进 。

第一，继续扩 展多模 态记忆 能力，特 别 是面向  C 端情感情绪 、 AI 潮玩、 AI 硬件和具身智能的记忆类 型。机器人和硬件 场 景会引入更多空 间 、行 动 、情 绪 和 长 期关系 记忆 。

第二，深化数据理解和多模态 理解模型能力。企 业级记忆 的地基是理解准确率，文档、表格、 图 像、 视频 、代 码 、工 单 等理解得越准，后面的 记忆计 算和智能体 执 行才越可靠。

第三，继续 打通主流大模型和智能体生 态 。我 们 会支持更多国外和国内模型、 agent 框架、办 公系 统 、 IM 系统 和企 业 数据源， 让记忆 成 为 跨模型、跨 应 用的基 础设 施。

总 体目 标 很明确： 让记忆 从一个新概念， 变 成企 业  AI 落地中真正可复用、可验证 、可治理的底座 。

爱分析： 记忆领域， 国外 有哪些不错的厂商？

占超群： 国外有一些值得关注的方向，但不同公司切入点不同。

从  data infra 角度看， Databricks 这类公司有机会，因为它们在数据平台、治理、企业客户和生态上有积累。如果把  AI 记忆理解成数据智能平台向智能体时代的延伸，它们具备一定基础。

另外， Mem0 、 Zep 、 Letta 这些公司和项目在开发者记忆、 agent memory 、时序知识图谱、 MemGPT 工程化等方向上都做了探索，值得尊重。但我会说，它们和我们关注的企业生产力场景还不完全是同一层级的问题。

我们要啃的是更重的场景：数据规模更大、准确性要求更高、权限和合规更复杂、部署环境更严格，真正同时具备  data infra 、多模态模型、记忆管理和记忆计算能力的公司，全球范围内都不会太多。

我不想把话说得太绝对，因为这个领域还在早期。但我们判断，未来能跑出来的记忆公司，一定不是只做一个聊天摘要功能，而是能成为  AI 时代数据基础设施的一部分。