“Agent记不住”成为产业瓶颈，记忆张量要定义AI的长期状态层

来源：科技最前线 (kejizqx)

从“龙虾”、Hermes到国内的“百虾大战”，2026年，AI Agent无疑是最热的技术方向。但在这股热潮背后，反常识的现象正在出现。

Gartner预测，到2026年底，最多40%的企业应用将集成任务型AI Agent。而让人哑然失笑的是，同一份报告也预测，超过40%的Agent项目可能在2027年底前被取消。

为什么取消？因为成本失控、商业价值模糊和风险不可控。这三个问题背后有一个共同的根源：AI严重地缺乏长期状态管理能力。

Agent可以完成漂亮的一次性任务，却极难持续运行、积累经验、保持稳定策略。如果每次会话几乎从零开始，每次交互都要重新建立上下文，那么每个新任务都会让它像第一天“上班”。

历经数次迭代，大模型依然像一个患有严重健忘症的天才。现在，一个“医生”站出来，决定用一套神奇的“疗法”治愈它。

近日，记忆张量MemTensor完成亿元Pre-A轮融资，投资方名单包含和玉资本、华为哈勃、荣耀战投、商汤国香资本、深创投，令人瞩目。一批手握产业力量的资本入局，其实是在确认一个趋势：

主导AI工作的“记忆层”，正在从可选插件，变成下一代系统架构中绕不开的基础设施。而记忆张量，正在其中掌握主导作用。

模型越来越强

为什么 Agent 还是记不住？

“记忆层”之所以会成为2026年的产业关键词，是因为当下AI系统架构存在一个结构性错配。

当前的主流大模型架构，本质上是为“一次性智能”设计的。这种“一次性”体现在模型负责生成，上下文窗口负责短期记忆，一次会话结束后一切就会重置。在对话场景中，它运转良好。但当AI开始进入多会话、多用户、多Agent甚至多应用的复杂生产环境时，问题迅速暴露。

以最典型的“人设崩塌”为例，一个AI陪伴应用在第一周还像一个有性格的灵魂，聊久了就变成一个风格漂移、设定混乱的聊天工具。如果是Agent，则可能在执行长程任务时，由于中间任何一个步骤的状态丢失，导致整个任务失败。而在企业场景中，企业知识库看似能检索内容，却无法跟踪哪些知识已经被使用、哪些已经过时、哪些需要更新。

这些问题的根源不是模型参数不够大，而是系统架构层面缺少一个独立的长期状态层。幻觉、不连续、不稳定，这些现象都是因为AI没有稳定的“记忆骨骼”。它可以在有上下文的前提下表现得极好，但一旦脱离短期的工作记忆，AI就会沦落为没有任何人生经历的“新生儿”，一切从头开始。

产业界对纠正这种缺陷有着更急迫的需求。公开数据显示，截至2026年3月，国内日均Token调用量已超过140万亿，相比2024年初增长了上千倍。Token经济的快速扩张意味着AI系统正在以前所未有的速度进入真实生产场景。当越来越多的Agent、AI终端和企业智能体开始提供持续性服务时，“记不住”就不再是用户体验层面的小问题，而是直接影响系统能否持续运转的底层瓶颈。

正是在这个时间节点，记忆张量开始进入主流视野。它并未去做一个“更好的模型”或“更长的上下文”，而是另辟蹊径，选择从零构建一套独立的记忆操作系统，把记忆从模型的附属能力中抽离出来，变成可管理、可调度、可治理的系统资源。

这是一个于无声处听惊雷的尝试，因为它触及了AI应用普及的“灵魂”操作。

记忆张量的第一步

把记忆做成系统层

把AI记忆作为技术重点，记忆张量不是唯一的玩家，不过不管是开源项目还是商业化产品的附属，大多数市面上的方案本质上还是在做存储优化，也就是更好的向量数据库、更智能的RAG插件、更大的上下文窗口。

这些方案都是在现有架构上打补丁，而不是重新设计架构。而如果没有新的承载架构，如何保证记忆能真正可操控、可调用，且跟随任务需求实现迭代？

事实上，从AI应用的需求出发，长期智能依赖的是长期记忆、持续演化和可治理认知，分别对应着对工作、经验本身的积累，对新交互、新任务的认知和凝聚提纯，以及外界对AI记忆本身的监督和控制。只有遵从这套逻辑，记忆才能像辅助人的成长发展一样，助力AI进化。

因此，记忆张量没有把记忆做成单个应用功能，而是试图把它抽象成独立的系统层。这个系统叫MemOS，负责管理Agent和大模型长期运行中的记忆生产、加工、调度、更新、遗忘、权限和审计。

在技术实现上，记忆张量采用了Memory³分层框架，将记忆拆解为三个层次：

明文记忆承载用户偏好、企业知识和任务状态，适合高频读写和业务接入；激活记忆对应推理过程中的工作状态，管理当前会话的上下文流动；参数记忆则承载长期稳定的知识和能力模式，相当于模型层的内化积累。

三层之间的协同设计背后有一重要的产品哲学——记忆不需要也不应该被“一刀切”管理。高频变化的偏好和低频变动的知识应该走不同的通道，会话中的临时状态和需要长期保留的经验应该有不同的调度策略。

MemOS的价值就在于，它像一个真正的操作系统一样，把这些复杂性封装在系统层之下，使得记忆不再只是模型输出后的附属数据，而成为不同模型、不同Agent都可以统一调用和治理的系统资源。上层的开发者和AI应用不需要关心记忆如何抽取、索引、冲突消解，调用API即可。

从数据来看，MemOS云服务上线以来，月度API调用量已经超过2500万次，单月涨幅维持在100%—200%之间。公开层面，其项目GitHub Star达到9.7k，社区开发者超过1.2万。

而更重要的是，它的落地场景已经覆盖AI终端、陪伴硬件、Agent增强、企业知识库等多个方向。这里的每一个场景都在从“单次交互”走向“长期协作”，而每一段转型都绕不开长期状态层的支撑。

更关键的转向

从MemOS走向记忆原生基座模型

显然，当前MemOS已具备足够大的发展潜力，但在记忆张量看来，它还只是其技术路线的系统层起点。公司更长期的目标，是把长期记忆、持续学习、经验巩固和抗遗忘机制进一步引入模型训练过程，探索记忆原生通用基座模型。而本次融资，也被定位于支持下一阶段技术路线的发展。

理解MemOS、记忆原生基座模型这两者的关系，是理解记忆张量路线的关键。如果说MemOS解决的是“系统如何管理记忆”，那么记忆原生模型要解决的就是“模型如何学习记忆”。

前者让记忆可管理、可追溯、可治理；后者则希望模型在长期交互和动态环境中沉淀经验、更新认知并稳定演化。前者是工程化的系统架构问题，后者是从更底层改造模型能力的问题。两者的结合，意味着记忆张量的目标不在于一个应用功能插件，而是在构建一套从系统层到底层模型相互协同的完整技术栈。

记忆张量创始人熊飞宇曾经在一起访谈中提到：“我们不是选择深耕记忆，而是基于当下的技术现实和产业现实，判断记忆是目前最值得突破的切入口。”

照此推演，记忆只是认知能力建模的第一步，接下来是思考、感知、推理。记忆张量一直试图走的路是从第一性原理出发，到基模，再到产品，而基模层才是终局竞争力的核心，也是最终的基础设施所在。

本轮亿元Pre-A融资，核心用途之一就是支撑这个从系统层向模型层的跨越。记忆层与最终的基础设施将形成闭环，而当下便是记忆张量的又一个起点。而这次出发，环境大不相同，资本也大不相同。

从终端到企业

记忆层正在被多个产业同时需要

融资是一种市场投票，记忆张量本轮Pre-A的投资方阵容，折射出显著的产业共识。

落地场景不同，对记忆的需求会有细微差异：手机等智能终端需要在用户授权边界内形成长期理解，但不必什么都记；Agent场景会更注重多Agent和多任务联动；而金融、运营商等场景可能更注重安全和治理，记忆进一步承担权限、审计、可解释、可回滚和安全边界管理等功能。

从基础设施、终端生态到产业应用，不同领域参与方虽然关注角度有所差异，但正在形成一个共同判断：AI 记忆正在从模型应用中的增强能力，逐渐成为下一代智能系统的重要基础设施。

这一趋势背后，是 AI 从单轮交互走向长期运行后的系统性需求变化。随着 Agent、AI 终端、企业智能体等场景加速落地，终端需要持续理解用户偏好，企业需要沉淀组织经验，工业和金融场景则需要具备状态管理、权限控制和可追溯治理能力。

深创投团队判断，大模型产业正在从参数规模和单点应用竞争，进入系统化落地和产业级部署的新阶段。随着Agent、AI终端、具身智能和企业智能体的发展，模型能否长期运行、沉淀经验、持续学习，并在真实业务场景中形成可治理的状态资产，正在成为下一阶段AI基础设施的重要命题。

对于长期技术投资而言，AI的竞争也正在从单一模型能力走向系统能力建设。当模型能力逐渐普及，如何管理长期状态、积累经验并实现持续演进，将成为决定下一代智能系统价值的重要因素。

记忆张量所受青睐并非源于单一资方出手，而是产业资本和财务资本共同开始关注Agent商业化过程中缺失的长期状态层。这些汇聚的目光和资源，证明了AI长期智能基础设施的大有可为。

Memory Layer

能否成为下一代AI架构底座？

一如历史上所有大浪淘沙的技术产业化过程，AI产业的竞争正在经历一场人声鼎沸的转移。

2023年到2024年，市场总是在问“谁的模型更强”。2025年，Claude Code等产品埋下智能体爆火的引子，并在2026年燎原。而随后，市场自然开始追问，在模型越来越强的前提下，谁来保证AI系统能稳定地记住、持续地学习、负责任地遗忘？

今天，当大多数企业开始钻研应用，模型能力将不再单独回答这类问题。Memory Layer，作为新的系统层脱颖而出。

回看IT基础设施的发展历史，每一次系统架构的重大升级，都伴随着新底层的诞生。操作系统管理硬件资源，数据库管理数据资源，云计算管理计算资源。所以，AI系统从一次性交互走向长期协作，依旧催生了专门管理长期状态的新底层。谁先系统化地定义并工程化这个能力，谁就能拿到下一代AI架构的定义权。

这将是一场“细活”。熊飞宇曾经说：“真正成熟的记忆系统，不只是记得更多，而是知道哪些该记、哪些不该记、哪些能用、哪些不能越界。”所以，记忆张量要从认知能力建模出发，打造MemOS系统层并延伸至记忆原生基座模型，逐步接近理想的终点。

定位和眼光决定本质差异，记忆张量所获得的资本认可，除了对技术路线的认可，更多是其对智能基础设施认知的认可。技术、工程、商业化，这段路既可能和AI的发展一样波澜壮阔，也可能隐于应用普及背后的静水流深。但已经取得先发优势的记忆张量，已然是最有辨识度的“路标”。或许一个时代的智能底座，已在此刻露出了雏形。