共计 1178 个字符，预计需要花费 3 分钟才能阅读完成。
滴普科技赵杰辉: 记忆, 是智能体的“灵魂”
AI 在产业中深入落地, 本质上是一道经济学问题: 每个 token 创造的生产力价值 , 能否大于其消耗的算力成本。滴普科技创始人赵杰辉在其产业观察中指出, 决定这道题能否算平的关键变量, 或许不只是模型本身, 还有智能体的记忆机制。
📌 被低估的产业变量: 记忆机制
从 2023 年到 2026 年,AI 行业的主旋律一直是模型能力的提升 。但企业级 AI 落地的一个现实是: 模型变强并不直接等同于企业岗位能用上 AI 员工。赵杰辉认为, 根本原因在于 token 创造的价值还不够高。单纯依靠 token 单价下降难以解决问题, 第一性原理是提升 token 在具体场景中的“生产力价值密度”。
大模型本质上是无状态的, 每次 API 调用都是独立的 , 无法记住用户、公司业务或历史规则。要让模型成为企业里的“员工”, 就必须构建记忆系统。记忆机制的好坏直接决定 token 经济等式的两端: 好的记忆让 AI 真正理解企业知识基础, 业务价值密度成倍上升; 糟糕的记忆则导致重复计算,token 消耗成倍放大。
🔍 三代记忆机制的演进
围绕“滴普科技赵杰辉: 记忆, 是智能体的“灵魂””, 这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看, 核心结论是趋势已较为明确, 但细节仍需结合后续进展持续观察。
💡 第一代: 会话级记忆
以早期 LangChain 和 Dify 为代表, 解决的是多轮对话中“不要忘记上一句话”的问题 。Dify 通过为每个会话维护对话历史缓冲区, 按 token 计数动态截断, 但会话结束记忆随之消失, 企业知识无法长期沉淀。
📊 第二代: 任务级记忆
以 Manus 和 DeepResearch 为代表, 将记忆从“会话缓冲”升级为“任务级工作空间”, 在沙箱中维护文件系统、检索摘要和中间产物, 让智能体在数小时的长任务中保持连贯。但任务结束后工作空间被清理, 跨任务知识沉淀不是其设计目标。
🚀 第三代: 持久化自进化记忆
以 OpenClaw 和 Hermes Agent 为代表 , 实现记忆跨任务、跨会话长期持久存在, 并能自我进化。Hermes Agent 采用三层记忆架构: 上下文压缩层、全文索引层和持久层, 引入“自我改进”闭环, 将记忆从被动文档升级为主动演化的认知系统。
🧭 企业级落地仍需解决的四大课题
- 结构化推理 : 文本文件本质扁平, 难以进行跨实体因果推理;
- token 经济性 : 文件式记忆框架存在数倍 token 放大, 成本控制需优化;
- 写回与冲突管理 : 智能体自主写入需配套质量校验与冲突解决机制;
- 组织视角与合规 : 企业级智能体需处理数千员工、数十万实体和复杂业务规则, 权限与审计等能力不可或缺。
📌 总结
围绕“滴普科技赵杰辉: 记忆, 是智能体的“灵魂””，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
