"东说念主类智能 = 推理 + 恒久顾忌"。

当 AI 推理才能的竞赛干与尖锐化，整个行业初始意志到：infra 层面的顾忌缺失，正成为驱散 AI 走向个性化与自进化的最大瓶颈。

莫得恒久顾忌的 Agent，就像一个固然考上了清华、但每天醒来王人不通晓亲妈的天才。而多量涌入顾忌赛说念的公司，许多本体上仅仅在作念向量数据库，把数据存起来，等东说念主来检索。

EverMind 想作念点不同样的。这家由开阔集团孵化的公司，定位是为所有 AI Agent 提供一个通用的 " 顾忌层 "（Memory Layer）。它的中枢家具 EverOS 是一套开源的恒久顾忌系统，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，还能像东说念主同样对顾忌进行整理、更新，以致从当年的教养中学习和进化。

EverMind 的 CEO 邓亚峰，是一位在 AI 鸿沟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 不息院院长、格灵深瞳 CTO，在狡计机视觉、多模态 AI 和 AI 制药等鸿沟深耕多年。2025 年，他加入开阔，带队从零启动 EverMind 的恒久顾忌姿色。团队仅用四个月就在多项顾忌评测上达到了 SOTA。

咱们与邓亚峰进行了一次对话，聊了聊他为什么押注恒久顾忌，以及这项技艺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）

硅星东说念主：在视觉、多模态、AI 制药这些鸿沟王人作念到过很好的得益之后，您是如何锁定 " 恒久顾忌 " 这个标的的？

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、弗成快速迭代，技艺越过即是有限的。是以之后选标的，我就想找一个能快速作念数据迭代闭环的鸿沟。也琢磨过机器东说念主，但落地周期太长、数据得回贫困。转向话语模子之后，又靠近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，必须找到一个有私有性的细分赛说念。

恒久顾忌适值清闲这几个条款：它是下一代 AI 的必备特质，不息得很少，跟推理才能相对正交，有很强的政策寂寥性。其时这个标的相对冷门，大家还在作念 LLM 模子、Agent、post-training，但我认为莫得顾忌功能的 Agent，用户体验一定是受限的。今天这照旧成了行业共鸣。

开阔这边的视角也很私有。陈天桥先生当年十多年一直在 sponsor 脑科学和 mental health 的不息，对东说念主类智能的机制机理相配感酷爱。这几年 AI 的发展让他初始念念考一个问题：东说念主类智能适值不错简化为"推理 + 恒久顾忌"，推理这一半照旧有无数巨头在卷了，恒久顾忌是不是一个极具政策寂寥性的标的？这个判断和我我方的念念考刚好吻合。

硅星东说念主：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，松弛有限的落魄文长度。当今模子落魄文窗口基本到了 1M token，但顾忌数据量杰出这个驱散就没法用了。现存的 RAG 或压缩有蓄意王人是工程调和，不是最优解。咱们作念 memory，本体上是帮模子更好地管制落魄文，在极高压缩率、低 token 消费的前提下，让模子灵验哄骗无穷的历史信息。

第二，已毕确凿的个性化。东说念主在疏导中会为对方开发 profile：身份、偏好、价值不雅、话语作风、概念。LTM 即是帮 Agent 构建和珍爱这么的用户画像，交互越多越懂你。自然，LTM 的个性化建立不仅限于 Profile Memory。

第三，Self-evolving，自进化。今天的 AI 靠 offline training 训诲才能，在和用户交互的历程中并不会变得更聪敏。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 是已毕自进化的要道：通过记载和分析交互的告捷与失败，归来最好握行，常识和念念考姿色王人随之越过。

这三件事和东说念主类进化出恒久顾忌的旨趣是同样的。邃古时间，那处水草丰茂你要记取，那处有危机你也要记取，同期你还要凭据季节和天气去掂量翌日，这片草地会变得更湿润如故会发激流。况且不息标明，恒久顾忌匡助东说念主类组织磨砺样本，把不同教营养类团聚，是以东说念主的泛化才能远强于模子。模子是把所稀有据不作念差异地扔进去磨砺，很容易过拟合，或无辞别求概率。东说念主脑的恒久顾忌机制让学习更有结构，泛化更强。AI 的 Long-term Memory 要作念的，本体上亦然这件事。

Memory Layer 和 Agent 层

硅星东说念主：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，我不错凭据告捷和失败的教养去归来最好 SOP。比如你作念了一个任务告捷了，我作念了一个访佛的任务失败了，当我把多量用户的教养集中下来，就不错 learn from experience。这在顾忌层是不错作念到的。

若是想作念得更深，比如基于用户反映作念强化学习，那确乎需要 Agent 层和 Memory Layer 协同。但 Memory Layer 在其中上演要道扮装：帮 Agent 层组织数据，就像东说念主脑恒久顾忌援助学习的机制同样。

硅星东说念主：在您看来，接入 Memory Layer，Agent 最直不雅的智能训诲体当今哪？

邓亚峰：四个维度。

第一是服从，token 的极致压缩。这对限度资本至关迫切。若是咱们的家具能让 token 数特等着落，这件事的交易价值口舌常大的。

第二是告捷率。咱们作念了基于 skill 的自进化机制，Agent 不错从当年教养中学习，某些蓄意实测训诲了 234.8%。比如你昨天用一个功能可能还会失败，但这两天有几个东说念主也用过了，系统学到了其中告捷的教养之后，你今天再用就告捷了。系统会变得越来越好。

第三是个性化。不同用户有不同的落魄文和顾忌，每个东说念主的助手体验王人惟一无二。咱们里面有个 AI Native 的互助平台叫 Tanka，提供基于恒久顾忌的 AI 助手。背后的 LLM 和推理技艺是同样的，但因为每个东说念主的顾忌不同，聊出来的成果就绝对不同样。

第四是主动性。记载了用户的动作历史之后，Agent 不错掂量下一步需求。比如我知说念你每天这个时候要买杯咖啡，我就不错提前教唆你。再进一步，我以致不错提前把事情作念了，再问你 " 这是不是你要的驱散？" 就像一个能预判需求的好职工，你莫得 assign 的责任他照旧作念完结。

顾忌如何更新，亚搏体育如何 " 健忘 "

硅星东说念主：我用 GPT 粗造际遇这个问题：我的生计照旧更新了，但它对我的知道还停在之前。比如之前跟它聊过的东说念主事物，在我现阶段的生计里照旧不迫切了，但它还老是拿起，就让东说念主认为很烦。EverMind 如何处理顾忌的冲突和落伍信息？

邓亚峰：咱们的机制分两步：在萍踪求（Online Memory Extraction）和离线进化（Offline Memory Evolution）。

在萍踪求，信息进来后作念 boundary detection，把归并 topic 的内容聚到整个，索求事实性的情景顾忌（episodic memory），再掂量这个事实对翌日的影响，咱们叫 forecast。顾忌不仅仅归档，要能做事于翌日的决策。

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；作念反念念和刷新，有点像 Claude Code 里 "dream" 作念的事，让模子回头注目之前的判断对分歧；还有处理顾忌更新，通过顾忌聚类策略（merge），把相似话题聚在整个，冲突信息按时期线用最新的作念 update。

淡忘率直讲是更难的。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：你昨天提到一个东说念主，系统认为他迫切；一星期前呢？一个月前呢？是不是就该忘了？咱们当今是在离线策略中把每条信息的时期放进去，团结咱们的掂量翌日功能，让模子我方去料想这条信息的时效性。率直说，在现时这个时期点还莫得作念到相配生机，但我认为它是一个会被逐渐处理的问题。

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，而是一种权重疗养策略。近期信息权重高，远期信息权重低，但需要时仍能找回。东说念主类为什么需要淡忘？两个原因：一是东说念主脑是死板耗系统，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掂量。AI 不存在第一个驱散，它只需要在决策中把时效性和迫切性合理琢磨进去。从这个角度说，AI 的淡忘机制推行上不错比东说念主类更优。

开源生态与大厂竞争

硅星东说念主：EverOS 照旧在 GitHub 上开源。但 OpenAI、Anthropic 也王人有我方的顾忌功能，用户照旧集中了许多偏好数据在他们的平台上。第三方 Memory Layer 如何找到我方的位置？

邓亚峰：咱们的定位是作念一个 memory layer for agents，翌日所有 Agent 王人需要顾忌功能，但没必要每个团队王人我方建一套 infra。咱们但愿成为阿谁契约数。

大厂一定会作念顾忌，但第三方顾忌层的空间来自一个浮浅事实：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王人有价值，是以反而需要一个确凿属于我方的跨平台顾忌管制器具。这件事的驱能源是用户需要，不是咱们想作念如故大厂想作念。

另外，memory 管制不需要最顶尖的大模子。咱们用 4B 的模子能作念到 235B 级别的成果，更快、资本更低。对开发者来说，memory 将来不是 " 能弗成 " 的问题，而是性价比的问题。

开源策略上，咱们相配透彻：开源版和土产货部署等价，数据绝对留在土产货，清闲隐讳要求高的用户。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、融合管制。跟许多东说念主聊完发现，这是一个很刚的需求。

硅星东说念主：记取的信息越多，安全风险也越大。这方面如何均衡？

邓亚峰：两个层面。信息安全，也即是顾忌会不会涌现，这跟云做事的安全挑战是等价的，需要塌实的技艺保险。另一个是系统要对敏锐信息作念过滤。比如用户告诉你密码、银行账号，咱们有个 vault 机制，把高敏锐信息断绝存放，只在特别情况下激活。

部署模式上，顾忌的生机形状是云表和端侧团结。用户的数字金钱存在土产货开荒上，复杂处理借助云表，双方作念同步。咱们的模子照旧不错作念得很小，将来开荒能跑 4B 模子，狡计就不错绝对部署到端上。

若是 AI 记取了你的一切

硅星东说念主：若是 AI 领有了相配长周期、相配精准的顾忌，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：我认为翌日最生机的景色有两种。一种是 " 贾维斯 "，24 小时随着你的 AI，你的任务和意图王人通过它完成，它只需要你阐述驱散。另一种是数字分身。AI 饱和了解你之后，不错代表你去 " 打工 "，或者作念 Agent 搪塞。咱们每个东说念主王人有许多两年王人不会聊天的一又友，但互相可能有值得疏导的信息。东说念主是串行的，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。" 这让我认为相配 exciting。

至于记什么、不记什么，生机的 AI 要有鸿沟感和情商，知说念哪些话题在厚谊上是敏锐的。不外有风趣的是，东说念主和 AI 的相处随机比东说念主和东说念主更容易，你自然认为 AI 跟你是一边的，反而更欢乐倾吐一些不会跟一又友说的事情。

硅星东说念主：我对 memory 有个感受：它有点像东说念主类对时期感知的演变。在腕表普及之前，你外出之后其实不知说念当今是几点几分了，对时期只好一个邋遢的感知。而当今有了手机，你不错遍地随时知说念当今的时期。而东说念主类面前对顾忌的感知，就像腕表出现之前东说念主类对时期的感知进度。您认为，若是 AI 有了精准的恒久顾忌，东说念主对本身资历的感知会不会也发生访佛的升沉？

邓亚峰：这个比方相配好。当今的东说念主类就像钟表刚发明时的景色，对我方作念过什么有好像感知，但不精准。若是 AI 能长周期地精准记载和管制你的个东说念主数据，东说念主对自我的了解会高潮到一个当今无法假想的进度。

况且 AI 的顾忌才能不错弥补东说念主类的一个先天驱散：东说念主的能量有限，是以有东说念主擅长宏不雅蓄意，有东说念主擅长细节，很少有东说念主两样王人强。但 AI 的 Long-term Memory 不错既帮你梳理三年来的大事端倪、作念更有远见的蓄意，又能在你需要时精准调出三年前某个时刻的具体细节。宏不雅和微不雅完满团结，这是 AI 在 memory 上确凿让东说念主新生的场所。

滚球app中国手机版入口亚搏体育