Agent元年的关键一战：解决不了记忆，我们只会继续空耗Token

荣姐聊AI

2025-12-04 07:28发布于北京

大家好，我是荣姐。

2025年，AI 圈的风向变了。前两年大家还在卷大脑，比拼谁的模型更聪明；现在大家开始卷手脚，也就是 Agent（智能体）。我们不再满足于和 AI 聊天，而是希望它能像员工一样真正去解决复杂的任务。

但在落地过程中，我们撞上了一个死结：AI 没有记忆。

这就像你招了一个哈佛毕业的高材生，他智商极高，但记忆只有 7 秒。新建一个会话，他立马把你忘得干干净净。

我们拥有了最强的 CPU（大模型），却没给它配上内存条（Memory）。

虽然 OpenAI 和 Google 推出了自带的记忆功能，但对于企业级开发者来说，这又面临着两个问题：

1.数据带不走：想从 GPT 换成 DeepSeek 来降本？对不起，记忆不互通。
2.隐私黑盒：核心用户画像，谁敢完全放在别人的云端黑盒里？

行业呼唤的，是一个独立的、通用的、能掌握在自己手里的海马体。

这两天逛 GitHub，我还真挖到了一个能解决这个问题的开源项目，MemMachine。

它背后的 MemVerge 团队从 2017 年就在死磕 Memory 技术，这次是真给 AI 装上了脑子。

我看到这个项目官网可以进行免费的在线体验，就去试了一把。

在线体验网址：https://memmachine.ai/playground/

整个项目部署在huggingface上，需要填写一个Token值，只要在huggingface免费注册，创建一下token就可以使用了。

在这里可以创建免费的Token。

配置好就可以免费体验了。

我先输入自己的一些个人信息进去。使用GPT-5 Mini模型。

你好，我是荣姐，平时最喜欢看的科幻小说是《三体》，我的公众号名字是荣姐聊AI

然后问个毫无相关的问题打叉，解释一下为什么下水道的井盖通常是圆的而不是方的？

然后问一下我是谁，好了，到此为止，都是咱们熟知的和AI对话的部分。

现在我开始新建会话，并且切换成谷歌的Gemini2.5模型，然后问我的公众号名字是什么？

可以看到非常精准的回答了我的问题，AI记住了我的公众号名字是荣姐聊AI。

不止可以随意切换会话，还能切换模型。

再测试一下AI有没有根据记忆联想的能力。我输入了下面内容，说明我对花生过敏，受过伤，想减脂。

创建一个新的会话，询问一下我的健身计划。

这次就不是冷冰冰的回答了，而且很贴心的记住了我受过伤，推荐对膝盖友好的运动方式。

问餐饮建议，在推荐的坚果中还特别标注了除了花生，确实有了记忆不一样呀。

可以在左下角对开的开关，看看有记忆和没有记忆给我们的感受。

一个是熟人的感觉，一个是机器人的感觉。

这种被记住的安全感，才是有灵魂的Agent该有的样子。

这个时候是不是有人会说，这玩意不就是RAG吗？

如果只看表面，确实容易混淆。但当我仔细研究了它的 GitHub上面的技术架构图后，发现事情没那么简单。

它的底层并没有把所有数据混在一起，而是根据数据的不同属性，选择了最适合的存储介质：

1、用户画像（Profile Memory），存入 PostgreSQL

架构图显示，MemMachine 选择将用户画像存储在 PostgreSQL（关系型数据库）中。

用户画像本质上是一组高确定性的事实。

例如：{ "昵称": "荣姐", "过敏源": "花生" }。

对于这种结构化的键值数据，SQL 数据库的读写效率极高，且非常适合进行精准的增删改查。

比如当用户的偏好发生变化时，系统可以直接更新对应字段，而不需要去向量库里大海捞针。

2、情景记忆（Episodic Memory），存入 Neo4j

更有意思的是，它将情景记忆存储在了 Neo4j（图数据库）中。

对话不仅仅是文本的堆砌，而是充满了因果关系和逻辑流。

图数据库能够完美地记录这种节点与连线的关系。

这意味着 AI 记住的不仅是你说了什么，更是对话的脉络。

当需要回忆上下文时，它能顺着图谱的路径进行检索，比单纯的文本匹配更具逻辑性。

3、数据主权（Data Ownership）

作为一个关注数据安全的技术人，这套架构最打动我的点在于完全的私有化。

ChatGPT 的记忆：是黑盒的，数据存储在云端，对开发者不可见。

MemMachine 的记忆：是白盒的。无论是 Postgres 里的画像表，还是 Neo4j 里的对话图谱，都部署在你自己的服务器上。这意味着，你拥有对记忆数据的绝对控制权。未来无论你切换到哪个大模型，这套沉淀下来的记忆资产都可以无缝迁移，永远跟着你的业务走。

对于开发者来说，光有架构不行，还得看硬指标。

在 AI 记忆领域，有个领先基准测试是LoCoMo(Long Conversational Memory) ，专门评估AI记忆系统与基础模型质量。该测试包含长对话数据及500组问答对，通过计算正确率来衡量AI记忆系统的效果和性能。MemMachine以92.3%的准确率，在AI Memory领域占据领先地位。