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。

随着AI Agent技术在企业场景的深入应用，如何让Agent具备领域专业知识、持续学习能力以及高效的上下文管理，成为制约Agent规模化落地的核心挑战。传统Agent面临知识缺口、记忆冲突、上下文窗口溢出等问题，难以满足生产环境的复杂需求。本次演讲将分享eBay支付风控团队从零构建Agent记忆系统的完整实践，展示如何通过统一的记忆架构，解决Agent在实际应用中的关键痛点，推动Agent从原型验证走向生产应用。结合eBay支付风控的实战案例，讲解如何在企业团队中落地Agent记忆系统。

演讲提纲

1. Agent缺乏有效记忆系统在ebay支付风控团队面临的困境
   • 缺乏领域知识，靠文本搜索质量太差。
   • 同样的错误反复发生，Agent能否长记性？
   • 用超大prompt弥补知识的不足是否可行？
2. Agent记忆系统初始化
   • 如何处理不同格式，不同来源的知识？
   • 构建向量数据库的策略
   • 是否需要知识谱图？
   • 知识图谱需要预先定义schema吗？如何定义？
   • 记忆初始化的工程方案
3. Agent记忆系统高效搜索知识
   • 什么是好的搜索策略，如何实现？
4. Agent记忆系统演化
   • 记忆演化决定了Agent的能力上限
   • 如何实现稳定和高效的记忆演化，记忆演化错了怎么办？
5. 记忆系统的持续评估的方法和实践
6. Agent记忆系统在ebay支付风控项目中的应用效果

这样的技术在实践过程中有哪些痛点？

• 记忆系统初始化是质量优先还是广度优先？
• 知识图谱用静态schema还是动态schema？
• 如何取舍Agentic RAG的查询的质量和响应时间？
• 记忆的冲突是自动管理还是人工管理？

演讲亮点

• 增量式记忆演进与冲突解决机制：实现了自动化的记忆冲突检测和解决系统，支持记忆的持续演进而非静态存储；
• 闭环的记忆评估与优化系统：内置自动化记忆质量评估框架，持续验证记忆准确性和检索效果。

听众收益

• 获得一套可落地的 Agent 记忆系统设计范式和工程实践
• 掌握风控场景下提升 LLM 可靠性的实践方法
• 借鉴真实项目的技术选型与踩坑经验

企业AI正从“对话玩具”走向“业务决策者”，但一个根本性瓶颈日益凸显：大模型拥有强大的思考能力，却缺乏持续、可信的记忆能力。就像一个每次见面都忘记你是谁的天才，无法在企业复杂业务中真正扎根。

我们提出一个核心判断：LLM是AI的“第一大脑”，负责思考与创造；记忆平台是AI的“第二大脑”，负责精准存储与知识管理。二者协同，才能实现从“能对话”到“会决策”的质变。

本次演讲将首次公开大规模多模态记忆平台的核心架构设计，分享在超10万亿级记录、亿级文档生产环境中沉淀的“记忆工程技术”实战经验。重点剖析：多模态记忆理解与结构化提取、记忆引擎的动态组织与推理、超大规模记忆的持久化与低成本检索等关键难题的破局思路。同时，我们将对比现有RAG、向量数据库等方案的局限性，阐释“以记忆为中心”的架构范式如何将企业隐性知识转化为可迭代、可追溯的记忆资产，真正驱动AI从Demo走向生产系统。

演讲提纲

1. 企业 AI 落地的“失忆”困境
   • 从“能对话”到“会决策”的鸿沟
   • 现有方案的局限性
2. AI“第二大脑”的架构设计与核心技术
   • 从“数据为中心”到“记忆为中心”的范式转变
   • 大规模多模态记忆平台三层技术栈详解
   • 核心技术突破点
     • 多模态数据统一表征与跨模态关联对齐
     • 亚秒级的多跳推理查询引擎设计
     • 分布式记忆计算与Sandbox安全隔离
     • 记忆血缘追踪与推理路径可解释性工程实现
3. 生产级实践的痛与解
   • 在超大规模客户场景中踩过的坑

这样的技术在实践过程中有哪些痛点？

• 痛点1：多模态数据理解“最后一公里”
  • OCR+通用模型在复杂业务表格、手写批注、会议录音情绪识别上频繁失效
• 痛点2：记忆规模膨胀后的检索成本失控
  • 10万亿级记录下，向量检索延迟与精度不可兼得
• 痛点3：企业客户“黑盒恐惧”
  • 不接受不可解释的决策，不接受不可干预的系统

听众收益 

• 理解AI“失忆”问题的技术本质，获得判断下一代AI基础设施的核心视角——记忆是智能体的关键瓶颈，而非模型能力。
• 带走一套经过10万亿级生产环境验证的“记忆工程”技术栈拆解，涵盖多模态理解、记忆组织、超大规模存储与检索等关键模块的设计思路与踩坑经验。
• 掌握企业级记忆平台的核心评估维度（记忆组织能力、推理能力、可解释性、生产规模验证），能够在RAG、向量库、仿生记忆系统与专业记忆平台之间做出理性技术决策。
• 了解企业隐性知识数字化的三个阶段——决策轨迹采集、记忆化工程、认知状态构建，并获取可在业务中复用的实践清单。
• 提前了解MemoryLake在多模态视频理解、具身智能记忆等方向的演进路线图，为企业技术规划提供前瞻输入。

在软件开发日益复杂的背景下，开发者对智能体的期望已从简单的代码生成转向深度协作。Qoder引入记忆系统，旨在让智能体具备“记住”和“理解”能力，从而更贴合用户需求、提升协作效率。传统智能体缺乏长期记忆机制，导致重复学习、上下文断裂，影响使用体验。为此，我们构建了涵盖用户偏好、项目信息、开发规范与历史经验的记忆体系，并结合LLM实现记忆的生成、检索与持续优化。通过主动教育与轻量干预机制，有效解决记忆冲突与过时问题，使智能体逐步成长为一个懂用户的开发伙伴。实践表明，记忆系统的引入显著提升了任务处理的连贯性与准确性，推动人机协作向更高层次演进。

演讲提纲

1. 问题背景与需求分析
   • 开发协作痛点：传统智能体缺乏记忆机制，导致上下文丢失、重复提问、理解偏差。
   • 用户期望升级：从“代码助手”到“可信赖伙伴”，需要具备个性化理解、历史推理与持续学习能力。
   • Qoder目标：构建一个具备记忆感知、反思能力和任务规划能力的智能体系统。
2. 方案选型与技术架构
   • 记忆体系设计：
     • 记忆类型分类：用户偏好、项目信息、开发规范、历史经验、对话风格等。
     • 记忆存储形式：结构化数据 + 自然语言文本，便于检索与更新。
   • 记忆获取方式：
     • 自动生成（LLM提取） vs 用户主动教育（指令式输入）。
   • 检索策略：基于意图识别 + 多模态召回（关键词+语义匹配）。
   • 外挂式记忆架构：采用外部知识库（如RepoWiki、Rules、Agents.md），实现高精度、可控性强的记忆管理。
3. 关键技术细节与创新点
   • 记忆生成流程：场景触发 → 信息组装 → LLM提取 → 内容解析 → 质量评估 → 冲突检测 → 合并/覆盖处理。
   • 记忆检索优化：
     • 增加前置过滤机制，避免噪声干扰；
     • 使用向量化+BM25混合检索提升相关性。
   • 记忆反思与整理：
     • 全链路监控机制，评估记忆对任务的影响（正向/负向）；
     • 动态维护工作记忆（会话级/项目级），支持自动清理与激活。
   • 类脑启发设计：借鉴生物记忆机制，强化重复学习与情绪关联记忆的建模。
4. 实施过程中的踩坑经验
   • 记忆冲突问题：新旧规则不一致时如何判断优先级？引入用户确认机制，增强透明度与可控性。
   • 过时信息干扰：未及时清理的历史记忆影响推理准确性，需定期触发“记忆整理”流程。
   • 模型幻觉风险：LLM自动生成的内容存在偏差，需设置质量评估阈值，结合人工审核机制。
   • 用户教育成本高：初期用户不熟悉“记忆操作语法”，通过交互引导与提示词优化降低使用门槛。
5. 实施效果与结论
   • 效率提升：任务执行连贯性增强，减少重复沟通与上下文切换。
   • 质量提升：基于历史经验的推理减少常见错误发生，提升代码一致性。
   • 用户体验优化：智能体逐渐形成“个性”，更贴近开发者真实工作场景。
   • 未来方向：探索参数精炼式记忆（如LoRA微调）、类脑记忆架构等前沿路径，进一步提升智能体的记忆能力与能效比。

这样的技术在实践过程中有哪些痛点？

1. 如何评价记忆的效果；
2. 如何评价记忆对产品的价值；
3. 如何平衡速度、参与率、有效率。

演讲亮点

1. 记忆网络激活策略，相关性优于推理。记忆是索引的艺术，如何完成记忆的索引和高效激活。
2. 多阶段混合检索技术，让速度、参与率、有效率实现均衡。

听众收益

1. 真实垂直业务场景的落地经验，能落地的经验才是有价值的。
2. 实践中踩过的大坑，避免重复犯错。
3. 如何让数据飞轮跑起来，让智能体持续进化。