专题演讲嘉宾：李志宇 博士

随着 Agent 进入真实工作流，“记忆”正在从体验加分项变成系统级基础能力:它决定了跨会话连续性、长期任务稳定性、推理成本结构，以及可控与合规边界。

本次演讲将系统梳理大模型记忆从 1.0（外挂式检索与上下文拼装）走向 2.0（记忆原生、可调度、可演化）的技术演进路径，并推出MemOS 2.0 StarDust。解释为什么仅靠更长上下文与向量数据库并不足以支撑长期智能，以及记忆如何与模型推理、KV-cache、工具调用与状态管理形成“协同闭环”。在工程与机制层面，演讲将聚焦记忆系统 2.0 的关键构件：分层记忆(参数记忆/激活记忆/明文记忆)的边界与写入门槛、记忆抽取与质量治理、可检索的结构化组织、版本化更新与回溯、以及面向成本与可靠性的记忆调度策略。同时也会深入讨论落地过程中最棘手的挑战：写入噪声与污染、遗忘与冲突、长程关联建模瓶颈、可解释与可审计、隐私与权限控制、以及评测体系缺失等。希望通过一套可复用的框架，帮助听众在“做得出来”与“规模化可控”之间找到真正可持续的记忆工程路线。

演讲提纲

1. 背景与动机：为什么记忆系统 MemOS 2.0：StarDust 成为大模型走向长期智能的拐点
2. 从 1.0 到记忆系统MemOS 2.0：记忆范式的技术演进与能力边界变化
3. MemOS 2.0 StarDust 总体架构：以“记忆调度”为核心的系统分层与数据流
   • 关键模块拆解：写入(抽取/治理) 一组织(结构化/索引) 一检索 (多级缓存) 一更新(版本/冲突)
   • 与模型协同：推理增强、KV-cache/激活记忆管理、参数化记忆写入与迁移
   • 关键挑战一：写入质量与污染控制 (噪声、偏差、重复、对齐)
   • 关键挑战二：可控演化 (遗忘机制、冲突消解、时间一致性、回溯与审计)
   • 关键挑战三：成本结构与规模化 (延迟、吞吐、存储、检索瓶颈、工程可观测)
   • 关键挑战四：隐私与安全 (权限、最小化收集、可删除、合规与风险治理)
4. 评测与基准：如何评价“记得对、用得准、改得稳、控得住”
5. 落地路径与案例：典型应用场景、失败模式与工程最佳实践
6. 未来展望：记忆原生基模、MemOS/AgentOS 生态、以及“记忆即计算”的下一步

这样的技术在实践过程中有哪些痛点?

1. 写入质量难控：记得越多越容易把噪声/误事实写进去，后期污染导致“越用越不准”
2. 性能与成本拉扯：多级检索、重排、治理让效果更稳，但 p99 延迟、工程复杂度和算力/存储成本会明显上升
3. 个性化与隐私冲突：接入越深越“懂你”，但权限边界、可审计可删除、合规风控会变成系统级硬约束。

演讲亮点

1. 从“外挂检索”到“记忆调度”：业界多数方案把记忆当作外部RAG组件(检索拼上下文)，我们的重点是把记忆当作可调度资源，围绕“写入门槛一多级缓存一注入策略”做系统化控制，把稳定性问题（污染/冲突/时序）前置解决，而不是靠更大的向量库兜底。
2. 三层记忆协同（参数/激活KV明文）而非单一存储：现有方案往往只做明文记忆+向量检索;我们强调不同时间尺度与价值密度的知识进入不同层：高价值稳定知识倾向参数化，任务态信息走KV激活层，需审计与可删除的长期事实走明文层，从而在“成本一可控一效果”三者间获得更好的折中。

听众收益

1. 拿走一套可落地的“MemOS 2.0：StarDust架构蓝图”：明确记忆写入/组织/检索/更新/治理的模块边界与数据流，知道团队从“RAG+向量库”升级到系统级记忆该怎么分层、怎么拆工、怎么评估投入产出。
2. 掌握关键tradeoff的工程决策方法：围绕写入门槛、召回/精度、p99 延迟与成本、隐私权限与可删除、冲突与版本回溯等，给出可操作的设计选型与“踩坑清单”，帮助在真实生产约束下做正确取舍。
3. 获得可复用的评测与可观测思路：如何定义“记得对、用得准、改得稳、控得住”的指标体系与回归策略，如何用线上可观测把记忆污染、冲突漂移、注入失效等问题从“偶发事故”变成可诊断、可治理的工程问题。