智東西（公眾號：zhidxcom）
作者 | 江宇
編輯 | 漠影
AI很聰明，但記性很差。
你大概也遇到過這樣的場景：第一輪對話里告訴智能客服“我對海鮮過敏”，聊到第十輪，它卻依然熱情推薦海鮮自助。
在企業(yè)服務(wù)里，用戶換一個(gè)渠道、換一個(gè)Agent，之前提供的信息就像從沒出現(xiàn)過一樣，用戶體驗(yàn)被“AI的健忘癥”一再打斷。
對于正在大規(guī)?！吧显啤焙汀吧螦I”的企業(yè)來說，這是每天都會(huì)撞上的真實(shí)業(yè)務(wù)問題：模型上下文窗口有限，多Agent之間形成“記憶孤島”，語義歧義和知識(shí)遺忘在長鏈路服務(wù)中被不斷放大。
如果不能讓AI持續(xù)記住用戶、記住業(yè)務(wù)現(xiàn)場，再強(qiáng)的大模型也很難扛起真實(shí)的服務(wù)指標(biāo)。
這種痛點(diǎn)在全球云廠商的實(shí)踐中已經(jīng)被驗(yàn)證。亞馬遜云科技在今年的Agentic AI基礎(chǔ)設(shè)施實(shí)踐經(jīng)驗(yàn)系列中專門拿出一篇，討論大模型在“記憶”上的先天缺陷，并提出要在Agent體系里單獨(dú)建設(shè)記憶模塊，區(qū)分短期記憶和長期記憶，將“記憶”從附屬能力升級為Agentic AI基礎(chǔ)設(shè)施的一部分。
▲亞馬遜AWS官方博客
在海外巨頭已經(jīng)將“記憶系統(tǒng)”提升到基礎(chǔ)設(shè)施層的同時(shí)，國內(nèi)也開始出現(xiàn)以記憶為主線構(gòu)建產(chǎn)品和架構(gòu)的團(tuán)隊(duì)。
紅熊AI便是其中之一。公司成立于2024年，圍繞多模態(tài)大模型與記憶科學(xué)開展研發(fā)，并將這些能力用于為企業(yè)提供智能客服、營銷自動(dòng)化與AI智能體服務(wù)。
12月1日，紅熊AI正式發(fā)布記憶科學(xué)開源產(chǎn)品“記憶熊”（Memory Bear）。
這套系統(tǒng)已接入紅熊AI自研的Agent互動(dòng)服務(wù)平臺(tái)，并在原有客服、營銷、教育等多個(gè)業(yè)務(wù)場景中完成了落地。平臺(tái)數(shù)據(jù)顯示，單日最大AI接待量約35萬次，AI自助解決率達(dá)98.4%，人工替代率達(dá)到70%。在接入記憶熊后，多輪對話的token消耗下降97%，大模型知識(shí)遺忘率被壓至0.1%以下。與此同時(shí)，紅熊AI的業(yè)績也從最初預(yù)期的3000萬元，上調(diào)至1.9億元。
目前，紅熊AI已將記憶熊的核心框架開源，并上線官網(wǎng)MemoryBear.AI，希望把“記憶”做成一項(xiàng)可以被開發(fā)者與企業(yè)直接調(diào)用的基礎(chǔ)能力。
▲“記憶熊”官網(wǎng)MemoryBear.AI
在國內(nèi)Agent落地還以“問答和工具調(diào)用”為主流路徑的當(dāng)下，紅熊AI算是較早一批把“記憶架構(gòu)”單拎出來做成獨(dú)立產(chǎn)品、并在真實(shí)業(yè)務(wù)場景里跑通指標(biāo)的團(tuán)隊(duì)之一。
一、AI的“記憶缺失”，難以支撐企業(yè)智能服務(wù)
在紅熊AI接入的多個(gè)客服與營銷項(xiàng)目中，其團(tuán)隊(duì)很快發(fā)現(xiàn)一個(gè)共性：不補(bǔ)上“記憶”這一塊，再強(qiáng)的大模型也難以在B端場景中穩(wěn)定扛住業(yè)務(wù)指標(biāo)。
紅熊AI發(fā)現(xiàn)，最先暴露出來的是單模型層面的知識(shí)遺忘。大模型依賴有限的上下文窗口來“記住”當(dāng)前對話，早期信息會(huì)在長對話中被不斷擠出，靜態(tài)知識(shí)庫也無法吸收用戶在對話中補(bǔ)充的個(gè)性化信息。
此外，注意力機(jī)制天然存在“近因效應(yīng)”，越靠后的信息越容易被模型抓住，越往前的細(xì)節(jié)越容易被忽略，這就造成了典型的“答完就忘”。同一個(gè)用戶重復(fù)強(qiáng)調(diào)過幾次的偏好和限制條件，只要跨過一定輪次，很容易在后續(xù)回答中消失。
亞馬遜云科技在今年的Agent記憶實(shí)踐文章里也做了類似總結(jié)：LLM本質(zhì)是無狀態(tài)的，每次調(diào)用都是一次新的推理，長上下文不僅不能徹底解決記憶問題，反而會(huì)帶來性能下降和Token成本攀升，這一點(diǎn)和紅熊在項(xiàng)目中的經(jīng)驗(yàn)總結(jié)是高度一致。
其次是多Agent之間的記憶斷層，咨詢、售后、推薦等Agent都會(huì)各自維護(hù)獨(dú)立記憶，切換時(shí)狀態(tài)將無法完整繼承，容易引發(fā)決策沖突。
第三類問題來自語義層面的歧義與行業(yè)術(shù)語。企業(yè)服務(wù)里的表達(dá)往往是口語化、多語言混用且高度依賴上下文的，具體指向什么，必須結(jié)合歷史對話才能解釋清楚。如果模型只能在當(dāng)前輪次里做模式匹配，很容易給出模棱兩可甚至錯(cuò)誤的回復(fù)。
正是在這種背景下，紅熊AI意識(shí)到，“記憶”需要被單獨(dú)抽象為一套可設(shè)計(jì)、可治理的系統(tǒng)能力。
與AWS在Agent框架中加入專門記憶模塊的思路類似，紅熊團(tuán)隊(duì)選擇從“重構(gòu)記憶系統(tǒng)”入手，把“記性好不好”這件事交給一塊獨(dú)立的基礎(chǔ)設(shè)施來負(fù)責(zé)。在模型之外再造一套獨(dú)立、可控、可審計(jì)的記憶系統(tǒng)，這也是記憶熊的起點(diǎn)。
二、從記憶到認(rèn)知，記憶熊如何把“類人記憶”做成底層能力
記憶熊沒有從堆疊更多參數(shù)入手，而是先把“人怎么記東西”這件事拆開：先搞清楚人類記憶的分類，再去給AI搭一套對應(yīng)的記憶架構(gòu)。
從記憶科學(xué)出發(fā)，記憶熊把人類感知記憶、工作記憶、顯性記憶、隱性記憶、情緒記憶逐一映射到AI的多模態(tài)輸入緩存、短期任務(wù)內(nèi)存、結(jié)構(gòu)化知識(shí)庫、行為習(xí)慣模塊和情感加權(quán)記憶等組件。
▲人類記憶與記憶熊的記憶映射
簡單來說，看到什么、當(dāng)下在處理什么、長期知道些什么、習(xí)慣怎么做決策、以及對不同事件“在意程度”有多高，都會(huì)在系統(tǒng)里有各自的位置和處理方式。
在此基礎(chǔ)上，記憶熊把“人是如何記東西”的認(rèn)知科學(xué)抽象成一整套可工程化的記憶架構(gòu)：從多模態(tài)采集出發(fā)，到結(jié)構(gòu)化圖譜，再到分級審核與在線應(yīng)用。
▲Memory Bear . AI記憶熊在線應(yīng)用
企業(yè)可以像接入數(shù)據(jù)庫一樣，為自身的AI系統(tǒng)接入一塊可控、可演進(jìn)的“記憶大腦”。
三、從客服到教育，記憶讓AI大幅度提高在業(yè)務(wù)中的價(jià)值
從紅熊AI披露的項(xiàng)目數(shù)據(jù)看，它已經(jīng)實(shí)打?qū)嶍斪×似髽I(yè)每天幾十萬次交互的業(yè)務(wù)現(xiàn)場。
其Agent互動(dòng)服務(wù)平臺(tái)在激烈競爭壓力下，保持了較高的穩(wěn)定性和服務(wù)質(zhì)量：單日最大AI接待量達(dá)到35萬次，AI自助解決率達(dá)98.4%，人工替代率達(dá)70%，復(fù)雜問題自動(dòng)路由率達(dá)91.7%，模型幻覺率低于0.2%，業(yè)務(wù)回答準(zhǔn)確率穩(wěn)定在99%左右。
▲紅熊AI Agent互動(dòng)服務(wù)平臺(tái)實(shí)踐效果
這些核心指標(biāo)也反映出“記憶”在提升服務(wù)連續(xù)性與一致性方面已發(fā)揮出一定的作用。
在技術(shù)評估上，記憶熊同樣展現(xiàn)出明顯優(yōu)勢。根據(jù)LOCOMO數(shù)據(jù)集測試結(jié)果，記憶熊在單跳、多跳、開放域以及時(shí)序類任務(wù)中的F1、BLEU與Judge分?jǐn)?shù)均優(yōu)于Mem0、Zep、LangMem等主流記憶方案，整體性能處于領(lǐng)先。
在具體行業(yè)場景中，紅熊AI的能力也通過多個(gè)典型應(yīng)用得到驗(yàn)證。從智能客服、營銷自動(dòng)化到教育輔導(dǎo)、企業(yè)內(nèi)部知識(shí)管理等場景中，記憶熊通過跨會(huì)話、跨角色、跨渠道的統(tǒng)一記憶體系，讓Agent始終保持連貫理解與穩(wěn)定決策。
在生態(tài)層面，記憶熊已將核心框架開源至Github，并上線官網(wǎng)MemoryBear.AI，希望與開發(fā)者共同完善記憶科學(xué)技術(shù)體系。
隨著Agent化應(yīng)用越來越多、企業(yè)對“可控記憶”和“組織記憶中樞”的需求增強(qiáng)，像記憶熊這樣的記憶平臺(tái)有機(jī)會(huì)成為AI基礎(chǔ)設(shè)施的一環(huán)。
結(jié)語：記憶，能讓AI變得更“有用”
紅熊AI在記憶科學(xué)上的進(jìn)展，把長期被忽視的“記憶”能力打造為可直接依賴的基礎(chǔ)設(shè)施：一端承接多模態(tài)大模型和Agent的推理與生成能力，一端對接企業(yè)真實(shí)的業(yè)務(wù)流程與長期信息，使模型不再在每次交互中從零開始。
對行業(yè)而言，補(bǔ)上“記憶”這一塊，大模型的表現(xiàn)將不再單一受限于上下文長度，而是由一套可持續(xù)積累、可持續(xù)調(diào)用的結(jié)構(gòu)化記憶體系來支撐，使其在復(fù)雜的任務(wù)中保持更穩(wěn)定的有效性。
隨著多模態(tài)大模型、Agent框架與記憶科學(xué)不斷融合，“記憶”這條技術(shù)主線會(huì)向更高層次的能力延展，讓AI從短暫回應(yīng)的工具，逐步演化為能理解、能延續(xù)，也能長時(shí)間工作的系統(tǒng)。
AI從“能回答”邁向“長期記憶、持續(xù)反饋”的那一步，很可能就建立在這塊看不見卻持續(xù)發(fā)揮作用的記憶基座之上。
