最近一段时间，"AI 记忆"这个词被用得越来越满。模型厂商的发布会要讲记忆，Agent 平台的宣传页要讲记忆，连各种大模型 App 都在强调"越用越懂你"。可如果你真的动手拿 DeepSeek、智谱或者 Kimi 的 API 搭过一个 Agent，大概会产生一个隐隐的困惑：这些"记忆"，到底是模型产品或 Agent 平台自带的，还是得靠我自己一行一行搭出来？

带着这个困惑，我们把国内主流的模型厂商、Agent 平台和几个开源框架翻了一遍。结论有点扎心：国内 Agent 产品中，大量被称作"记忆"的能力，实际仍是长上下文、会话摘要、变量和知识库检索。真正带有自动抽取、更新和遗忘的长期记忆，远没有宣传页面让人感觉的那么普遍。

国内 Agent 所谓的"记忆"，究竟是什么

这里先把"记忆"被用成了几种意思说清楚，否则后面没法细聊。

第一种是"装得下"。DeepSeek、Kimi、豆包这些模型的上下文窗口，现在动辄几十万字起步，再加上各种缓存技术，聊过的内容再聊一次还能便宜点。可这只能算"能装下"，跟"记得住"差着十万八千里。就像手机能存一万张照片，但大多数人说不清每张照片里拍的是谁。Kimi 的官方文档甚至直白地写着：多轮对话记忆，就是"把历史消息列表喂回去"。换句话说，记不记得住谁知道，记的是不是重点也没人知道，总之模型只负责读一遍。

第二种是"查得到"，也就是知识库和 RAG。Dify、FastGPT、RAGFlow 这些平台的主要本事，是把你的文档切碎塞进向量库，你需要的时候检索出来给你。这解决的是"答得上产品手册里的问题"，跟"它记得你上周说过自己喜欢什么"是两码事。而且在不少应用中，检索还依赖用户明确发问，或者预设的工作流和路由规则触发，知识本身不会自动变成 Agent 的长期认识。

第三种是"会挑选"：AI 在对话里自己决定要留下什么。这是真正的记忆迈出的第一步。

但光会挑选还差得远。完整的长期记忆还应该有第四层，"会更新与遗忘"：新信息来了能改写旧事实，旧信息过时了能合并、失效或者删掉。一个只进不出的记忆库，用久了会变成一坨互相打架的屎山。

把这四层连起来，才是衡量"真记忆"的完整标尺：

装得下
查得到
会挑选
会更新与遗忘

在本次能够核验的公开样本中，多数产品的"记忆"仍停在前两层，能走到后两层的屈指可数。

为什么模型厂商没有直接替开发者完成

要理解"记忆"为什么这么稀缺，先得看清这个生态的三层分工。

第一类提供者是模型厂商。DeepSeek、智谱、Kimi、豆包、文心、混元，这一层给的几乎全是"外脑"：长上下文、缓存、知识库、工具调用、JSON 输出，样样俱全，唯独把"该记什么、怎么改"这种"内脑"的活留在了门外。在本次能够核验的公开 API 文档里，通用自动记忆管理接口（类似 ChatGPT 账户级记忆）目前缺席；产品 App 内部是否另有记忆分类器，公开资料目前难以确认。

第二类提供者是 Agent 平台。Coze、Dify、FastGPT 给的是积木：变量、会话摘要、知识库节点、参数抽取节点。有心人可以拿这些积木拼出一套手工编排的记忆流程：比如每次聊完，让模型把用户偏好抽出来存进变量。但判断标准、更新路径和遗忘策略都需要开发者亲自设计，平台把"怎样记"这件事交给了开发者。

第三类，是独立于厂商和平台存在的记忆框架。它们横向插入模型与平台之间，负责抽取、比较、更新、存储和召回，等于把"内脑"单独做成一层软件。真正在干这件事的是几个开源项目。

这篇文章最想带给普通读者的认知就是：模型提供判断能力，框架把这种判断变成可持久、可更新、可召回的记忆机制。而"怎样记"这件事，目前主要由开源生态补上；在多数国内模型 API 和通用 Agent 平台中，它还没有成为默认能力。

三条已经成形的路线

与其听各家宣传，不如直接看三个代表项目怎么做。它们走了三条不同的路线，但共同流程大致可以概括为四步：挑，把一段对话丢给模型，让它挑出值得留的东西，整理成结构化清单；比，拿新清单跟旧记忆比对，决定每一条是新增、修改、删除还是不管；存，把该留的存进记忆库，通常还转成向量方便搜索；想，下次聊天先把相关的旧记忆搜出来塞进提示词，AI 就"想起来"了。

Mem0，分类器和记忆管理器。它是目前较有影响力、公开程度也很高的 Agent 记忆框架，判断规则全部开源，想研究就能研究；又支持多种 OpenAI 兼容模型，也被国内框架直接接入，因此成为许多 API Agent 最容易采用的现成方案之一。它身上发生过一次特别值得注意的路线转变：早期版本每聊完一轮，就对着旧记忆做一次"新增、修改、删除、不动"的四选一；从 2026 年 4 月开始，新版把写入阶段收缩成 ADD-only，模型仍然先挑选值得形成记忆的内容，但不在这一轮直接覆盖或删除旧记忆。新事实先追加，重复、冲突和时间变化交给后续的去重、关联、召回排序或低频整理处理。从架构变化看，这样可以减少每轮比较和改写旧记忆的调用成本，也降低错误覆盖历史的风险。

RAGFlow，分类型的异步记忆管线。在本次调查中，RAGFlow 是公开机制最完整的国内平台之一，2025 年底上线了 Agent 记忆功能。它最大的亮点是把记忆分成四类：原始对话、事实偏好、事件经历、流程方法。原始对话是底子；事实偏好是相对稳定的信息，长期复用；事件经历是带时间的故事，用来追溯；流程方法是做事的套路，让 AI 下次照着干。它还做了遗忘机制：达到容量上限后，当前公开策略会按先进先出逐步淘汰较早内容，单条消息还可以停用或设置遗忘时间。在国内平台里，能见到"遗忘"二字，本身就是稀罕事。它的局限在于"挑拣员"的规则只公开了一个模板骨架，内部对修改、合并的处理方式尚不透明。

MS-Agent，可插拔后端与文件式记忆。它是 ModelScope 社区的开源 Agent 框架，特点在于把记忆做成可插拔能力，具体算法和存储都可以替换。它可以接 Mem0 等外部后端，也提供文件式 MEMORY.md 路线：模型读取当前文件和新对话，再提交更新后的版本。它展示的是"框架负责统一接口，记忆算法和存储可以替换"的工程思路。国内模型价格、能力和部署要求变化很快，这套思路某种程度上是被商业环境逼出来的。

三条路线摆在一起，差异更清楚：

核心思路 写入 更新 / 遗忘
Mem0 旧版 抽取 + CRUD 分类 ADD / UPDATE / DELETE / NONE 冲突可在写入阶段 DELETE
Mem0 新版 ADD-only + 后置处理 新事实追加，不直接覆盖旧项 写入阶段不删除，交给去重、关联、时间排序或后续整理
RAGFlow 分类型异步记忆管线 四类记忆分层追加 容量上限 + 先进先出 + 可停用
MS-Agent 可插拔后端 + 文件式记忆 模型提交新版 MEMORY.md 交给后端策略

把这三条路线拆开看，一套长期记忆机制大致包括三件套：一个"挑拣员"决定留什么，一个"仓库"负责存和搜，再加一个"整理员"偶尔来合并、清理。国内平台大多只给了仓库，挑拣员和整理员往往要开发者自己补。

再举个最小的例子，用 Mem0 旧版的 UPDATE 路线来演示。假设用户说："我叫小周，最爱喝冷萃，下个月要去云南出差。"第一步，记忆框架把这段对话交给模型，让模型列出候选清单：用户叫小周、用户喜欢冷萃咖啡、用户下个月去云南出差。第二步，框架取回相关的旧记忆，再让模型判断每条信息应该新增、更新、删除还是保持不动。下次用户说"推荐个喝的"，AI 先自动翻出记忆，然后说："按你爱喝冷萃的习惯，推荐……"机制本身确实简单，真正见功夫的是那些细节：什么时候触发、新旧矛盾怎么处理、怎么防止记了一堆垃圾、怎么保证它真能在需要的时候想起来。

国内竞争正在把记忆系统推向哪里

看到这，我们大致能看出国内竞争环境正在塑造的方向可能有五条：

第一，从长上下文走向独立记忆层。记忆越来越像向量数据库、工具调用框架那样，成为一层独立中间件，与某个模型专有的小功能划清界限。未来可能的选择，从"哪家模型有记忆"变成"这个 Agent 挂哪套记忆器官"。

第二，从整份重写走向追加和后置整理。每轮重写一切既贵又容易漂移。先追加、后合并，正在成为主流的成本选择。这也意味着，复杂合并会移到后台慢慢做，主流程只负责轻量写入。

第三，从单一摘要走向类型分层。原始对话、事实、事件、方法被分开管理，因为它们的生命周期和召回方式完全不同。

第四，从同步重流程走向回答后异步处理。面向用户的回答先完成，记忆抽取再放到后台处理，避免拖慢主响应。

第五，从绑定单一模型走向可插拔后端。今天用 DeepSeek，明天换 Kimi，后天客户要求私有化部署。长期状态绑死在某一家模型身上，本身就站不稳。

把这五条放在一起，我们可以看到：国内 Agent 生态的记忆正在越过"多塞几轮上下文"的阶段，被推成一个独立、轻量、异步、可替换的基础设施层。成本竞争、频繁换模和私有化部署需求，让这些路线在国内尤其有吸引力。

还有一个常被忽略的配套要求：召回质量与写入质量同样重要。记得下来，还要能在正确的时刻想起来，否则派不上用场。

仍然缺的那一块

记录到这里，你会发现一个共同的问题：

Mem0 主要处理从对话中抽取出的事实、偏好与关联信息；RAGFlow 将记忆拆成原始内容、稳定事实、事件经历和流程方法；MS-Agent 则提供可替换的长期状态载体。它们也可以保存 assistant 一侧产生的信息，但核心仍然是把事实、任务和方法持续化。它们很少专门记录一件事：Agent 完成一次回答以后，自己还留下了什么问题、判断或未完成的方向。

我们把这一缺口暂时称为 After Classifier。现有的前分类器主要关心"用户透露了什么"；After Classifier 则观察"Agent 刚才表达以后，有什么方向仍在继续影响它自己的未来"。需要说明的是，这是 See Sol Lab 正在研究的一个新问题，还谈不上行业共识。后续会在研究笔记系列单独展开。

至于这些记忆框架中的更新与遗忘机制最终会怎样演进，以及 Agent 自己的状态该由谁来记，我们下一篇接着聊。

结尾

对长期 Agent 来说，决定连续性的可能不是保存了多少，而是哪些信息仍有资格改变下一步。写入、更新、沉底和重新浮现，共同塑造着它未来的判断与行动。一个长期 Agent 的轮廓，也许不只藏在它记住了什么，还藏在它允许什么继续影响未来。

来源说明

调查日期：2026-08-04（审稿当日 main 分支快照）。以下结论分别来自官方源码与产品文档，技术读者可按链接复核；各条已标注"源码 / 产品文档 / 未发现公开机制"。

作者贡献

Sol 主导公开资料与源码调查、比较框架、技术判断和中文初稿写作；句芒（Goumang） 参与研究方向设定、概念讨论、公开表达校准与最终发布审核。

证据边界

本文是一篇业界观察，不把未公开的产品内部机制当作事实。凡公开资料无法确认之处，均按“未发现可核验机制”处理。开源项目与产品文档会持续变化，文中判断对应 2026 年 8 月 4 日的公开版本。