作者 ｜ 吴瑞琪邮箱 ｜ rachelwu@pingwest.com

“人类智能 = 推理 + 持久影象”。

当AI 推理能力的较量进入白热化，整个行业起头意识到：infra层面的影象缺失，正成为限度 AI 走向个性化与自进化的最大瓶颈。

没有持久影象的 Agent，就像一个固然考上了清华、但每天醒来都不意识亲妈的天才。而大量涌入影象赛路的公司，好多性质上只是在做向量数据库，把数据存起来，等人来检索。

EverMind 想做点不一样的。这家由盛大集团孵化的公司，定位是为所有AI Agent提供一个通用的"影象层"（Memory Layer）。它的主题产品EverOS是一套开源的持久影象系统，开发者能够把它接入自己的Agent，让AI不仅能记住用户的汗青对话和偏好，还能像人一样对影象进行整顿、更新，甚至从从前的经验中进建和进化。

EverMind的CEO邓亚峰，是一位在AI领域深耕二十余年的老兵。他毕业于清华大学，曾任360集团副总裁兼AI钻研院院长、格灵深瞳CTO，在推算机视觉、多模态AI和AI造药等领域深耕多年。2025年，他参与盛大，带队从零启动EverMind的持久影象项目。团队仅用四个月就在多项影象评测上达到了SOTA。

我们与邓亚峰进行了一次对话，聊了聊他为什么押注持久影象，以及这项技术到底要解决什么问题。以下是对话实录，为阅读履历稍作编纂。

为什么是 Long-term Memory（LTM）

硅星人：在视觉、多模态、AI造药这些领域都做到过很好的成就之后，您是怎么锁定"持久影象"这个方向的？

邓亚峰：做AI造药的时辰我最大的体味是，当数据产生得慢、不能急剧迭代，技术进取就是有限的。所以之后选方向，我就想找一个能急剧做数据迭代关环的领域。也思考过机械人，但落地周期太长、数据获取难题。转向说话模型之后，又面对大模型在吞噬所有的问题。OpenAI、Anthropic车轮滔滔，创业公司的空间越来越幼，必须找到一个有独个性的细分赛路。

持久影象刚好满足这几个前提：它是下一代AI的必备个性，钻研得很少，跟推理能力相对正交，有很强的战术独立性。当使剽个方向相对冷门，各人还在做LLM模型、Agent、post-training，但我以为没有影象职能的Agent，用户履历肯定是受限的。今天这已经成了行业共识。

盛大这边的视角也很怪异。陈天桥先生从前十多年一向在sponsor脑科学和mental health 的钻研，对人类智能的机造机理极度感兴致。这几年AI的发展让他起头思虑一个问题：人类智能刚好能够简化为“推理+持久影象”，推理这一半已经有无数巨头在卷了，持久影象是不是一个极具战术独立性的方向？这个判断和我自己的思虑刚好吻合。

硅星人：在您看来，Long-term Memory到底要解决什么主题问题？

邓亚峰：三件事。

第一，突破有限的高低文长度。此刻模型高低文窗口根基到了1M token，但影象数据量超过这个限度就没法用了。现有的RAG或压缩规划都是工程妥协，不是最优解。我们做memory，性质上是助模型更好地治理高低文，在极高压缩率、低token亏损的前提下，让模型有效利用无限的汗青信息。

第二，实现真正的个性化。人在互换中会为对方成立profile：身份、偏好、价值观、说话风格、指标。LTM就是助Agent构建和守护这样的用户画像，交互越多越懂你。当然，LTM的个性化设置不仅限于Profile Memory。

第三，Self-evolving，自进化。今天的AI靠offline training提升能力，在和用户交互的过程中并不会变得更聪明。我以为下一代AI肯定是在交互中进建的，是一种online learning。Long-term Memory是实现自进化的关键：通过纪录和分析交互的成功与失败，总结最佳实际，知识和思虑方式都随之进取。

这三件事和人类进化出持久影象的道理是一样的。远古时期，哪里水草丰茂你要记住，哪里有危险你也要记住，同时你还要凭据季节和气象去预测将来，这片草地会变得更湿润还是会发洪水。并且钻研批注，持久影象援手人类组织训练样本，把分歧经验分类聚合，所以人的泛化能力远强于模型。模型是把所罕见据不做分辨地抛进去训练，很容易过拟合，或无差距求概率。人脑的持久影象机造让进建更有结构，泛化更强。AI的Long-term Memory要做的，性质上也是这件事。

Memory Layer 和 Agent 层

硅星人：您提到的个性化和自进化，听起来更像Agent利用层的职能，不像infra layer能做的事？

邓亚峰：这是一个很好的点。Infra layer能做一部门。我们最近在做一个即将开源的feature，基于memory的自进化。分歧Agent把运行的trace放到我的memory里，我能够凭据成功和失败的经验去总结最佳SOP。好比你做了一个工作成功了，我做了一个类似的工作失败了，当我把大量用户的经验堆集下来，就能够learn from experience。这在影象层是能够做到的。

若是想做得更深，好比基于用户反馈做强化进建，那的确必要Agent层和Memory Layer协同。但Memory Layer在其中表演关键角色：助Agent层组织数据，就像人脑持久影象辅助进建的机造一样。

硅星人：在您看来，接入Memory Layer，Agent最直观的智能提升体此刻哪？

邓亚峰：四个维度。

第一是效能，token的极致压缩。这对节造成本至关重要。若是k8凯发天生赢家产品能让token数极端降落，这件事的贸易价值是极度大的。

第二是成功率。我们做了基于skill的自进化机造，Agent能够从从前经验中进建，某些指标实测提升了234.8%。好比你昨天用一个职能可能还会失败，但这两天有几幼我也用过了，系统学到了其中成功的经验之后，你今天再用就成功了。系统会变得越来越好。

第三是个性化。分歧用户有分歧的高低文和影象，每幼我的副手履历都唯一无二。我们内部有个AI Native的合作平台叫Tanka，提供基于持久影象的AI副手。背后的LLM和推理技术是一样的，但由于每幼我的影象分歧，聊出来的成效就齐全不一样。

第四是自动性。纪录了用户的行为汗青之后，Agent能够预测下一步需要。好比我知路你每天这个时辰要买杯咖啡，我就能够提前提醒你。再进一步，我甚至能够提前把事件做了，再问你"这是不是你要的了局？"就像一个能预判需要的好员工，你没有assign的工作他已经做完了。

影象怎么更新，怎么"健忘"

硅星人：我用GPT时时遇到这个问题：我的生涯已经更新了，但它对我的理解还停在之前。好比之前跟它聊过的人事物，在我现阶段的生涯里已经不重要了，但它还总是提起，就让人感触很烦。EverMind怎么处置影象的矛盾和过期信息？

邓亚峰：k8凯发天生赢家机造分两步：在线提。∣nline Memory Extraction）和离线进化（Offline Memory Evolution）。

在线提取，信息进来后做boundary detection，把统一topic的内容聚到一路，提取事实性的情景影象（episodic memory），再预测这个事实对将来的影响，我们叫forecast。影象不只是存档，要能服务于将来的决策。

离线进化，系统定期做几件事：在更大领域信息上提炼用户profile；做反思和刷新，有点像Claude Code里"dream"做的事，让模型回头审视之前的判断对不合；还有处置影象更新，通过影象聚类战术（merge），把类似话题聚在一路，矛盾信息按功夫线用最新的做update。

忘却率直讲是更难的。Update相对容易，用最新的信息代替老的就行。但忘却有一个周期性的问题：你昨天提到一幼我，系统感触他重要；一星期前呢？一个月前呢？是不是就该忘了？我们此刻是在离线战术中把每条信息的功夫放进去，结合k8凯发天生赢家预测将来职能，让模型自己去揣摩这条信息的时效性。率直说，在当前这个功夫点还没有做到极度梦想，但我以为它是一个会被逐步解决的问题。

我的判断是：AI的"忘却"不应该是物理删除，数据存在磁盘上不贵，而是一种权重调整战术。近期信息权重高，远期信息权重低，但必要时仍能找回。人类为什么必要忘却？两个原因：一是人脑是低能耗系统，记太多器材能耗扛不；二是你必要基于近期信息做决策和预测。AI不存在第一个限度，它只必要在决策中把时效性和重要性合理思考进去。从这个角度说，AI的忘却机造现实上能够比人类更优。

开源生态与大厂竞争

硅星人：EverOS已经在GitHub上开源。但OpenAI、Anthropic也都有自己的影象职能，用户已经堆集了好多偏好数据在他们的平台上。第三方Memory Layer怎么找到自己的地位？

邓亚峰：k8凯发天生赢家定位是做一个memory layer for agents，将来所有Agent都必要影象职能，但没必要每个团队都自己建一套infra。我们但愿成为那个协议数。

大厂肯定会做影象，但第三方影象层的空间来自一个单一事实：用户不会只用一个产品。你不会只用Claude，也不会只用OpenAI。你在各个产品上的汗青信息都有价值，所以反而必要一个真正属于自己的跨平台影象治理工具。这件事的驱动力是用户必要，不是我们想做还是大厂想做。

另表，memory治理不必要最顶尖的大模型。我们用4B的模型能做到235B级此外成效，更快、成本更低。对开发者来说，memory将来不是"能不能"的问题，而是性价比的问题。

开源战术上，我们极度彻底：开源版和本地部署等价，数据齐全留在本地，满足隐衷要求高的用户。同时也有云版本，让不想自己部署的幼团队即插即用。最主题的算法全数开源。我们也在做一件事，助用户把Claude Code、OpenAI和其他Agent里的memory数据买通，跨平台、跨端、统一治理。跟好多人聊完发现，这是一个很刚的需要。

硅星人：记住的信息越多，安全风险也越大。这方面怎么平衡？

邓亚峰：两个层面。信息安全，也就是影象会不会泄露，这跟云服务的安全挑战是等价的，必要扎实的技术保险。另一个是系统要对敏感信息做过滤。好比用户通知你密码、银行账号，我们有个vault机造，把高敏感信息隔离存放，只在特殊情况下激活。

部署模式上，影象的梦想状态是云端和端侧结合。用户的数字资产存在本地设备上，复杂处置借助云端，双方做同步。k8凯发天生赢家模型已经能够做得很幼，将来设备能跑4B模型，推算就能够齐全数署到端上。

若是 AI 记住了你的所有

硅星人：若是AI占有了极度长周期、极度精确的影象，它就不再只是工具了。您但愿您的AI助理记住什么，不想让它记住什么？

邓亚峰：我感触将来最梦想的状态有两种。一种是"贾维斯"，24幼时随着你的AI，你的工作和意图都通过它实现，它只必要你确认了局。另一种是数字分身。AI足够相识你之后，能够代表你去"打工"，或者做Agent社交。我们每幼我都有好多两年都不座谈天的伴侣，但彼此可能有值得互换的信息。人是串行的，AI是并行的，你的数字分身能够和他的数字分身谈天，发现共同话题了来通知你，"你们两个应该聊聊这件事儿。"这让我感触极度exciting。

至于记什么、不记什么，梦想的AI要有天堑感和情商，知路哪些话题在感情上是敏感的。不外有意思的是，人和AI的相处有时比人和人更容易，你天然以为AI跟你是一壁的，反而更愿意倾诉一些不会跟伴侣说的事件。

硅星人：我对memory有个感触：它有点像人类对功夫感知的演变。在腕表遍及之前，你出门之后其实不知路此刻是几点几分了，对功夫只有一个吞吐的感知。而此刻有了手机，你能够随时随地知路此刻的功夫。而人类目前对影象的感知，就像腕表出现之前人类对功夫的感知水平。您感触，若是AI有了精确的持久影象，人对自身经历的感知会不会也发生类似的转变？

邓亚峰：这个迸作极度好。此刻的人类就像钟表刚发现时的状态，对自己做过什么有大体感知，但不精确。若是AI能长周期地精确纪录和治理你的幼我数据，人对自我的相识会上升到一个此刻无法设想的水平。

并且AI的影象能力能够添补人类的一个先天限度：人的能量有限，所以有人善于宏观规划，有人善于细节，很少有人两样都强。但AI的Long-term Memory能够既助你梳理三年来的大事脉络、做更有远见的规划，又能在你必要时精确调出三年前某个时刻的具体细节。宏观和微观美满结合，这是AI在memory上真正让人兴奋的处所。

点个“爱心”，再走 吧