随着大模型从一次性问答走向持续交互、复杂任务执行与多智能体协作，记忆正在从外挂能力演变为 Agent 长期运行和持续进化的基础设施。MemOS 1.0—2.0 以多种记忆的统一管理和运行态治理为基础，完成了从记忆条目到用户、Agent、任务与 Session 状态的系统演进。
本次分享将重点讨论记忆如何推动 Agent 成长：MSCE 将执行轨迹逐层沉淀为可验证技能，PHASE-Tree 让角色状态在长期交互中保持身份稳定并持续变化；进一步结合以 Metis 为代表的记忆原生模型，探索如何让高频记忆状态和记忆操作参与模型前向。由此讨论下一代记忆系统的统一形态：记忆原生模型负责高密度、低延迟的模型内执行，外置记忆系统负责长期记忆、证据链、技能与角色状态的版本化治理，二者通过统一调度实现准入、同步、冲突处理、回退与重建。

演讲提纲：

1. MemOS 1.0→2.0——从记忆管理到经验沉淀
   • 多用户、多应用、多 Agent、多任务、多 Session 带来的记忆复杂度
   • MemOS 1.0：参数、激活与明文记忆的统一抽象及全生命周期管理
   • MemOS 2.0：将用户、Agent、任务、Session 与反馈纳入可更新、可追踪的运行态
   • 从记忆存取与治理到经验积累与复用，引出技能形成和角色演进
2. MSCE——从执行经验到可验证技能
   • 被动召回不等于学习，原始轨迹不能直接等同于技能
   • Trace Evidence、Policy、Environmental Cognition 的分层沉淀
   • 反思加权 Value Backfill：融合终局反馈与步骤反思，改善价值归因
   • 在不更新基座模型参数的前提下，以证据、收益和稳定性门控技能生成、调用、修复、迁移与归档
3. PHASE-Tree——从交互经历到可演化角色
   • 静态 Persona 的状态滞后、跨会话不一致与人格漂移
   • Identity、Persona、Session、Moment 的多时间尺度角色状态骨架
   • Resistance–Evidence–Cooldown 门控与单字段渐进更新
   • 保持身份连续性，让关系、立场、情绪与偏好随长期交互持续演化
4. 下一代记忆系统——MemOS × Metis 的统一记忆架构
   • 两类记忆的职责边界：外置持久记忆负责长期保存，模型内生状态负责持续更新
   • MemOS：组织长期记忆与持久数据，提供检索、共享、版本化与治理
   • Metis：通过 Native Memory State 与 Native Memory Procedure 驱动模型内记忆动态更新
   • 统一调度与生命周期：记忆提取、状态写入、稳定变化回写，以及同步、冲突、失效与回退

实践痛点：

• 长期运行的 Agent 会持续产生轨迹、反馈、技能和角色状态，信息粒度异构，反馈又稀疏且含噪，导致价值归因、经验筛选和技能边界判断困难。
• 依赖辅助大模型会增加推理成本、时延和提示敏感性。
• 外置记忆与模型内生记忆也分别面临召回开销、容量限制、遗忘污染和治理割裂等问题，尚缺少统一的准入、同步、失效与回退机制。

内容前沿亮点：

• 以 MemOS 的外置持久记忆和 Metis 代表的记忆原生模型为基础，探索“长期记忆系统＋模型内生动态状态”的统一 Memory OS。
• MSCE 通过 Trace Evidence、Policy、Environmental Cognition 分层，结合反思加权 Value Backfill 和证据—收益—稳定性门控，将执行经验转化为可验证技能。
• PHASE-Tree 通过多时间尺度状态与渐进更新，让长期角色在保持身份稳定的同时持续演化。

听众收益：

• 理解记忆系统从统一管理、运行态到 Agent 自主进化的演进路径，掌握经验沉淀为技能、交互经历塑造角色的关键方法；
• 理解 MemOS 与记忆原生模型的职责边界，能够设计统一的混合 Memory OS，并从效果、成本、时延、可靠性和安全等维度评估落地方案。

Agent 记忆的业界主线是对话与个性化：主流框架记住”用户说过什么”。但工业多智能体更缺的记忆是”这家企业的数据语义”——指标的分子分母、同一工单号在不同表里的多种写法——它们不在对话流里，在数仓、代码与文档里；而且写错的记忆比遗忘更危险：我们实测只注入一半语义，正确率反而低于不注入。

本次演讲分享把企业数仓沉淀为多智能体共享语义记忆的工程路径：写入侧大模型只提议、真实数据裁决、证据分级入库；冲突用时间轴校验、双源融合与对抗评审消解；使用侧按对象锚定动态构建上下文；教训沉淀为可插拔提示词组件与回归断言。结论：企业语义记忆是需要治理的资产——写入有裁决、冲突有消解、经验能沉淀、错误可撤销。

演讲提纲

一、为什么业界记忆框架搬不进工厂

• 记忆热潮的主线：Mem0、Zep（时序知识图谱）、Letta/MemGPT 等框架解决的是”跨会话记住用户”——记忆主要来自对话与交互流
• 工业 Agent 的记忆缺口：要记的不是”用户偏好”，而是”直通率的分子分母是什么、工单号在不同表里有几种写法”——这些语义不产生于对话，藏在数仓表结构、建表代码与工艺文档里，且没有外键、命名晦涩
• 写错比不记更危险：学界正在讨论记忆污染（memory contamination），企业场景的代价是口径错账——我们的实测：只注入实体与关系、不带指标口径，回答正确率反而低于完全不注入，模型会更自信地选错表
• 本场主张：企业语义记忆是资产，要治理——写入有裁决、冲突有消解、经验能沉淀、错误可撤销

二、记忆从哪来：语义记忆的受治理写入

• 记忆的结构与置信分层：对象、关系、事件、指标、动作、场景六要素；每条记忆带证据等级——数据验证（verified）、人工断言（asserted）、缺口（gap）——类比业界情景记忆/语义记忆分层，区别在于置信等级由真实数据裁决产生，不由模型自评
• 写入把关：大模型只提议、真实数据裁决——取值重叠度须过阈值、子键不唯一、父键接近唯一、列名有据可依，四道判据缺一不可；通不过的降为候选，不入正式记忆
• 踩坑之一：时序假象。同一对字段在单日窗口下取值完全重合，看上去就是一条真关系，窗口拉长到一个月即崩塌——采样窗口不足一律不予写入
• 冲突消解三招：时间轴校验（排除巧合性重合）、双源融合（代码中的 JOIN 证据优先于命名推断）、对抗评审（独立评审多数否决即打回重抽）
• 踩坑之二：人工断言冒充数据验证。早期实现允许把人工确认写成 verified，记忆置信被悄悄稀释；现在这条纪律写进接口签名——人审只产生”断言”，verified 只能由数据裁决产生
• 与业界方案的分工：时序知识图谱记忆（如 Zep 的双时序边）回答”事实何时有效”；我们在企业库场景回答”这条记忆该不该写入”——记忆生命周期的两端，可互补

三、记忆怎么用：共享、调度与动态上下文构建

• 共享语义记忆：多个智能体读写同一套语义，“工单”在所有 Agent 中是同一个”工单”；写权限唯一收口——大模型唯一的写路径是把自然语言翻译成带类型的受治理操作，预览、人审后落盘，全程可回滚
• 记忆调度即上下文构建：按问句锚定对象→沿已验证关系召回子图→挂指标口径与术语，成套注入；只注入锚定命中的子图而非全图，兼顾上下文长度与成本
• 踩坑之三，存而不用：数百条中英术语词典建成后，检索链路曾长期没有消费它——由此提出”消费方审计”：每新增一类记忆，必须答得出”它的消费方在哪”
• 用记忆做指代消解（本体即实体注册表）：多轮对话中的指代（“它／该产线”）显式回填上文命中的对象，不引入通用 NLP 组件；中文表名后缀剥离——“销售订单事实表”须按”销售订单”命中
• 答案的可追溯与拒答规范：答案同屏给出指标口径卡（计算口径、出处表列、血缘入口）；实体未在记忆中命中即明确拒答，不做无锚定的自由生成

四、记忆怎么长：经验沉淀与持续学习闭环

• 程序性记忆的沉淀：把建模教训做成可插拔的提示词组件注入构建流程——对比实验：注入”建模规范”组件后，对象与关系候选大幅收敛、已验证占比明显上升、关系动
• 词全部落入白名单，“经验轨迹→Skill”有可对照的产物证据
• 教训固化为代码而非文档：踩过的坑各有归宿——时序假象固化为采样窗口判据、断言冒充固化为接口签名、存而不用固化为消费方审计清单、跨引擎模型名错配固化为运行时模型族校验、数据对不上账固化为分层对账检查项
• 证据回流：用户反馈→评审队列→记忆修订→下游即时生效（评审否决一条关系，引用它的查询立即被拦截）；版本快照与一键撤销保证记忆修订可逆
• 持续学习的度量：自建金标评测集（Spider、BIRD 等公开基准覆盖不了企业口径与脏数据），金标先在库上实跑校准；评测暴露的”记忆的病”往往是数据的病——汇总层与明细层对不上账，处置是把分层对账固化为数据质量检查项

五、边界与取舍

• 写入把关的覆盖率代价：宁缺勿滥会把部分真知识挡在正式记忆之外——我们选择”缺口透明”而非”虚假完整”
• 前置条件：指标口径要有人拍板，这是管理问题不是技术问题
• 什么时候不需要：单表能答、口径唯一的场景，一条 SQL 就够
• 收束：记忆不是缓存，是需要治理的资产——写入有裁决、冲突有消解、经验能沉淀、错误可撤销

实践痛点

• 写入把关的覆盖率与准确性之争：数据裁决宁缺勿滥，代价是把一部分真实存在但证据不足的关系挡在正式记忆之外，覆盖率承压；我们选择把它们透明地放进候选与缺口清单，而不是降低门槛换虚假完整——但这意味着冷启动阶段记忆覆盖有限
• 共享记忆的写治理成本：多智能体共享一套语义，写权限必须唯一收口、高风险改动必须人审，换来一致性与可追责，代价是写入吞吐受限，不适合高频自动写入的场景
• 遗忘与审计的张力：错误记忆要能撤销，但审计要求留痕——我们采用”降级候选＋版本快照”而非物理删除，存储与检索都要为历史版本付成本
• 判据阈值是工程经验值：取值重叠度、父键唯一性等判据的阈值来自实践调优而非理论最优，跨行业迁移时需要重新标定，且每条判定都要留下依据供复核
• 评测的外部效度：自建合成基准可复现、金标可校准，但规模有限，不等于真实客户库表现；真实库评测涉及数据授权，只能分阶段推进

演讲亮点

• 记忆来源与写入裁决方式不同：主流记忆框架（Mem0、Zep、Letta 等）主要从对话与交互流萃取记忆，写入由模型判断；我们从数仓表结构、建表代码与文档萃取企业语义记忆，每条记忆写入前由真实数据裁决（取值重叠、父键唯一性、时间轴校验），“该不该记”有可复核的证据，不靠模型自评。
• 对记忆污染给出工业可用的工程防线：证据三级分层＋写入把关＋“人工断言永不冒充数据验证”（写进接口签名而非规章），并配套消费方审计与可逆修订——对应学界记忆污染议题，给出一套在企业场景跑通的完整防线。
• “经验轨迹沉淀为 Skill”有产物级证据：把建模教训组件化为可插拔提示词组件，用同目标对比实验展示注入前后产物的可见差异（候选收敛、已验证占比上升、动词全部落入白名单）——程序性记忆的沉淀不停留在概念，可逐条对照验收。

听众收益

• 一套企业语义记忆的组织方法：六要素结构、证据三级置信、“数据裁决产生置信”的写入设计，可直接套用到自家数据 Agent
• 冲突消解三招：时间轴校验、双源融合（代码证据优先于命名推断）、对抗评审——每招都配真实踩坑案例
• 记忆调度的上下文构建方法：对象锚定、子图注入、指代回填、消费方审计清单
• 程序性记忆沉淀的可操作路径：教训如何组件化、如何写进接口与回归断言、如何用对比实验验收沉淀效果
• 一份边界清单：写入把关的覆盖率代价、共享记忆的写治理成本、遗忘与审计的取舍，以及”什么时候不需要这套记忆”

测试脚本的迭代开发和维护是自动化测试长期痛点：版本一改、地图一换，测试脚本就要人工重写，前置、重试、异常恢复各写一套，用例之间难复用；测试失败往往只留一行fail，没有前后帧、埋点等证据留存，定位全靠人反复复现，同一问题反复出现却说不清是环境、工具还是业务缺陷；踩过的坑也留在个人脑子里，换人换模块就要从零再来，投入的时间买到的是一次性交付，而非可沉淀的能力。我们的思考方向是：先设计稳定的数据结构（知识库、脚本、执行产物），再设计Agent行为，让AI自主探索界面把模糊需求结构化，自动生成脚本与执行计划，失败时基于截图、报告、埋点等证据自动归因、升版重试，跨机协同实现测试能力从"一次性交付"沉淀为"持续复用、越测越准"的智能闭环。

1. 问题：如何从完成任务到积累能力
   • 端到端测试 Agent 的痛点与不确定性来源
   • 单次自愈与持续学习的本质区别
   • 从“每次重新探索”走向“能力持续积累”
2. 选型：经验记忆的关键设计
   • 长上下文与外置记忆的职责边界
   • 成功路径、失败经验与负向知识的不同价值
   • 模型反思、运行证据与人工审核的可信度取舍
3. 方案：分层记忆与持续学习闭环
   • 不同生命周期下的记忆分层
   • 经验的检索、调度与动态上下文构建
   • 经验在调用反馈中持续修订与演化
4. 案例：滚动查找能力的跨任务演化
   • 动态界面中的非首屏目标定位问题
   • 局部提示优化的有效性与迁移局限
5. 总结与展望
   • 从个体 Agent 记忆走向团队共享能力
   • 从被动经验复用走向主动预测与规避

实践痛点：

• Agent目前无法100%自闭环，复杂问题和阻塞需要human-in-loop处理

前沿亮点：

1. Agent探索需求、设计测试方案能力
2. Agent基于证据自愈闭环

听众收益：

• 一套可复用的 Agent 工程化方法论：如何用结构化数据（知识库/脚本/执行三层产物）替代提示词堆砌来设计 Agent 工作流，可直接迁移到测试之外的其他 Agent 开发场景。
• 失败驱动升版的自愈闭环实践经验：了解如何通过截图、报告、埋点等多维证据对失败进行归因分型（区分环境问题、工具故障与业务缺陷），获得一套可落地的证据驱动迭代范式。

本演讲围绕“自进化智能体”这一前沿方向，系统介绍其核心思想、关键技术及在国产硬件算子生成中的实际应用。报告首先从AI落地“最后一公里”问题出发，引出传统大模型在垂域场景中面临的泛化不足与高成本迭代瓶颈，进而介绍自进化智能体的常见技术范式与实践技巧。在此基础上，报告会进一步结合国产GPU算子生成与优化场景，展示自进化智能体在实际任务中的应用。通过真实实验结果，说明该方法如何突破算子开发依赖专家、效率低下等瓶颈，实现高正确率与显著性能提升。最后，报告将讨论这一范式在算力生态、AI for AI及未来智能系统中的潜在价值与发展方向。

演讲提纲：

1. AI 落地的“最后一公里”问题
   • 通用模型与垂域需求的矛盾
   • 自进化智能体的通用架构今年的一些前沿自进化方法介绍
2. 基于记忆的智能体自进化方法
   • 记忆驱动的自进化系统建模
   • MemRL方法分析
   • 技术的深入与扩展
3. 垂域冷启动应用：NPU算子生成
   • 算子优化任务特性
   • 自进化在算子优化任务中的应用方法
   • 应用效果实例
   • 可能的技术扩展方向

实践痛点：

• 技术方向目前尚未收敛，试错风险与成本仍旧偏高
• 有效性与基模性能强相关，强基模成本仍旧高昂

前沿亮点：

• 紧扣当前火热的 RSI 技术风口
• 尽可能去模型迭代过程中的“稳定性-可塑性”

  
听众收益：了解RSI到底是什么，获取些对RSI前沿技术与应用的感知或启发