養蝦省91%詞元！這家AI記憶公司用1億個多模態文件驗證了！

機器之心發布

一家企業花了七周時間部署 AI：第 1 周精準回答行業分析問題，團隊歡呼；第 3 周反復回答相同的錯誤結論，因為它“忘了”上周的修正；第 5 周在董事會匯報中引用了已被否定的數據，造成決策偏差；第 7 周項目暫停，“AI 不可信”成為共識。問題不在于 AI 不夠聰明，而在于它每次醒來都是一張白紙。

AI 領域正在發生根本性轉變：瓶頸不再是模型智能，而是記憶架構

在數百個 AI 生產部署中，行業專業人士觀察到一種普遍模式：最優秀的模型在落地中失敗，不是因為缺乏推理能力，而是因為缺乏連續性、上下文積累和自學習能力。用戶重復輸入信息，客服智能體憑空捏造過時數據，成本飆升，參與度下降 ——“哇” 的驚喜瞬間被挫敗感取代。

長期記憶，是 AI 從無狀態計算轉變為有狀態智能所缺失的基礎架構層 —— 而且，它將成為 AI 技術棧中最堅固的護城河。

01 記憶是新的護城河

狀態 > 模型

大多數前沿模型和智能體 ——OpenAI、Claude、LangGraph、CrewAI 等 —— 在設計上都是無狀態的。每次新會話或聊天重置，都讓 AI 回到 “初生狀態”。2026 年初，以 “龍蝦”（OpenClaw）為代表的開源智能體社區，正在積極探索 AI 的持久化記憶。但在生產級場景，社區開發者普遍發現，基于文件系統的記憶方案在復雜推理和跨設備同步上逐漸遇到瓶頸：

• 缺乏智能壓縮 → 記憶越多，token 越貴，成本飆升
• 不考慮時間因素 → 事實不會隨生活變化而演變或失效
• 不具備可移植性 → 記憶被限制在單個設備或單個智能體上
• 缺乏企業級檢索能力 → 擴展到數千用戶或復雜工作流程時直接崩潰

與此同時，GPT-5、Claude、Gemini 正在商品化。模型性能差距縮小，API 成本大幅下降（GPT-4 價格比發布時便宜 97%），微調觸手可及，開源方案加速發展。但狀態是永久性的。通過互動、決策、工作流程和結果積累的認知記憶創造復利價值 —— 這是任何模型替換都無法復制的。

行業共識正在形成：記憶，是 AI 技術棧中新的護城河

02 真正的記憶生產力

從嬰兒到大學生

當前大家沉迷于 “養龍蝦”，養的大多是用戶偏好記憶，幾個 MB 就裝下了。但你的 AI，仍然是個嬰兒。

為什么？因為當前絕大多數 AI 平臺的 “記憶功能”，本質都是一樣的：存儲用戶偏好

• ChatGPT 的 “記憶”：記住了你說過 “我住在北京”。好，下次推薦天氣時用上。
• Claude 的 “Projects”：把文件塞進項目上下文，會話結束后就散了。
• 各種 AI 的 “長期記憶” 插件：本質上就是一個鍵值對數據庫，存的是 “事實片段”。

這是記憶的起點，而不是終點。

RAG、向量數據庫、長上下文 —— 這些現有方案分別解決了不同層面的問題。RAG 解決了 “讓 AI 看到外部文檔” 的數據接入問題；向量數據庫為語義檢索提供了存儲基礎；長上下文窗口讓 AI 能夠 “一次性看更多信息”。它們是記憶基礎設施的重要組成部分，但單獨使用任何一個，都無法構建完整的記憶系統。

記憶 = 理解 + 存儲 + 組織 + 推理 + 遺忘 + 演進

如果說 RAG 和向量數據庫是 “圖書館”，長上下文是 “更大的閱覽室”，那么真正的記憶系統應該是 “大腦”—— 它不僅能查閱資料，還能將每次閱讀、每次對話、每次決策內化為可復用的認知記憶。

真正的記憶生產力，讓 AI 從大學生開始養成：有自己的知識體系（開放專業數據），能判斷信息來源是否可靠（溯源），面對矛盾信息會思考、會判斷（沖突解決），能看懂你的圖表、聽懂你的錄音視頻（多模態處理），能把每一次交互都沉淀為可復用的能力（反思記憶），而不是一句 “用戶喜歡深色模式”。

03 “AI 記憶護照”

讓 AI 世界永久記得你

另外一個關鍵問題 ——記憶的可移植性。傳統 AI 系統的問題在于，你在 ChatGPT 里告訴它的偏好，在 Claude 中無法使用；你在 Telegram 里積累的對話歷史，在 Slack 中需要重新開始。每個 AI 都是孤島，每次切換都意味著 “失憶”。

質變科技采用 “一個記憶護照，通行所有 AI” 的方案，解決這一根本性難題。就像護照讓你在不同國家無需重新證明身份，MemoryLake 讓你的記憶在不同 AI 平臺（OpenClaw、ChatGPT、Claude、Qwen 等）之間無縫遷移。

近日，質變科技推出了首個多模態 AI 記憶平臺 MemoryLake 龍蝦版（https://memorylake.ai/），面向 OpenClaw 提供永久、可遷移、認知積累的多模態記憶。

MemoryLake 為龍蝦等智能體注入的記憶能力，可以歸納為六種類型，構建了完整的認知記憶體系：

• 背景記憶：那些永不改變的東西 —— 你的價值觀、世界觀模型，由你手動設定，只讀。
• 對話記憶：每一次對話，經壓縮后可搜索。沒有任何內容丟失。
• 事件記憶：你的時間線 —— 發生了什么、何時發生、順序如何，構建你的人生敘事。
• 事實記憶：一切可驗證的信息 —— 自動檢測沖突、版本化、可溯源至來源。當來自不同 AI 的信息矛盾時，系統會實時檢測沖突，并按預設策略自動解決。
• 反思記憶：你的 AI 注意到的深層模式 —— 你如何思考、如何決策。
• 技能記憶：你構建一次的方法 —— 在任何 AI、任何會話中永久復用。這實際上是把 “提示詞工程” 升級成了 “能力資產”。

為什么這很重要？

當你問：“我在這種情況下優先考慮什么？”—— AI 調用你的價值排序（反思記憶）。

當你問：“上周我們討論了什么？”——AI 檢索事件和對話記憶。

當你問：“這個項目的風險在哪？”——AI 綜合事實、事件和反思記憶進行推理。

這種分類讓 AI 能像人腦一樣，根據問題場景精準定位相關類型記憶，而不是在海量聊天記錄中盲目搜索。

用戶的體驗印證了這種設計的價值：“當我的工作平臺從 Telegram 遷移到 Claude Code 時，AI 居然還記得我三個月前提到的一個項目細節 —— 那種感覺就像它真的‘認識’我。”

04 核心技術

讓記憶可信、可溯、可沖突解決

龍蝦用戶的真實反饋揭示了一個更深層的需求：當用戶說“希望它能一直記得我”時，他們要求的不是一個功能，而是一種基礎設施。MemoryLake 的技術架構圍繞 “可信記憶” 基礎設施展開，核心能力包括：

1. 智能記憶沖突解決

當來自不同來源或不同時期的記憶相互矛盾時，MemoryLake 會自動檢測、標記并解決沖突，同時保留完整的審計軌跡。

MemoryLake 運用時序知識圖譜技術以及事實溯源仲裁技術，沖突檢測準確率達 95% 以上，時序類沖突自動解決成功率達 90% 以上，支持預設策略（解決策略如最近來源優先、來源優先級、置信度加權）自動解決和人工介入解決。同時保留歷史版本和完整的變更鏈。

例如，在 ChatGPT 中上傳了兩份報價文件中描述商品 A 報價為 300 美元，而用戶切換到 Claude 兩小時后對話說 “商品 A 的報價為 330 美元” 系統會自動提示沖突，并給出推薦的解決方案。

2. 完整記憶溯源（Git 式版本控制）

每條記憶節點采用 Content-Addressable Storage 實現版本控制。通過 SHA-256 生成唯一 commit ID，支持分支 / 合并 / 回滾操作，僅存儲增量變化。每個事實節點攜帶完整溯源元數據（來源 AI / 會話 ID / 時間戳 / 置信度 / 父節點引用），通過 append-only 日志 + 鏈式哈希保證防篡改。你可以追溯任何一條事實的原始來源，跨 AI 會話交叉引用，并導出符合合規要求的完整證明鏈。

3. 面向隱私保護的安全設計

MemoryLake 將安全設計為架構原點。用戶的筆記、文件、健康數據、密碼、私人對話 —— 所有這些都全程加密，引入 presidio 等權威 PII 檢測模塊，實現多模態隱私信息的 100% 檢測和屏蔽。 確保與 AI 工具（ChatGPT、Claude、OpenClaw 等）對話中屏蔽安全敏感信息。

4. 開放數據：讓 AI 天生 “有見識”

MemoryLake 內置了海量開放數據集：4000 萬 + 學術論文、300 萬 + SEC 文件、50 萬 + 臨床試驗、實時金融數據、200 萬 + 化合物、1000 萬 + 美國專利…… 你不需要配置，不需要上傳，AI 天生就能訪問這些知識。

這相當于為 AI 提供了一個‘博士級的預訓練大腦’。當你的私有記憶（如一份內部會議錄音）與這些公共知識相遇時，AI 才能做出真正有深度的推理—— 它不僅能聽懂你說‘GLP-1 藥物’，還能結合最新的臨床試驗數據，給出超越你認知邊界的洞察。這是‘有見識的記憶’。

你問：“給我看看最近關于 GLP-1 藥物的臨床試驗進展。”AI 不是去網上搜（可能搜到垃圾信息），而是直接從內置的 ClinicalTrials.gov 數據集中調用。同時，它會結合你上周在內部會議上討論的 “公司 GLP-1 仿制藥立項計劃”，主動提醒你：“根據最新的臨床試驗數據，該靶點的競爭格局正在發生變化，建議在立項時重點關注差異化的適應癥方向。”

5. 多模態記憶：能看懂圖表、分析音視頻

MemoryLake-D1 是業內首個專注于多模態 “記憶” 理解與結構化提取的領域大模型。基于視覺 + 邏輯雙重驗證，能處理復雜的 Excel 布局、掃描版 PDF、流程圖、會議音視頻等。在頭部文檔辦公企業場景中，通用方案的準確率只有 60-70%，而 MemoryLake 實現了 99.8% 的召回率。

這意味著，你的記憶可以來自一次會議錄音、一份 PDF 報告、一組 Excel 數據 ——MemoryLake 將它們統一理解、關聯、推理。你的 Excel 里的公式邏輯、PDF 里的嵌套表格、會議錄音里的關鍵結論，都會被解析成記憶的一部分。當你在 Claude 里問 “幫我分析一下上個季度的銷售數據”，它不僅能看懂你上傳的 Excel，還能結合你上個月在 ChatGPT 里討論的定價策略，以及內置的行業基準數據，給出完整分析。

6. 多粒度記憶隔離與共享

MemoryLake 的多層級記憶設計，讓記憶管理達到了新的精細度，通過策略矩陣可靈活控制任意維度記憶共享 / 隔離。常見的組織方式為：

• Global 級：全局共享的組織記憶（所有人和 Agent 可讀）
• Agent 級：每個 Agent 的私有記憶（角色定義、專屬知識、長期工作物料等）
• Session 級：每次會話的工作記憶（上下文、短期事實）

以游戲 AI 為例，共享層是基礎知識 / 領域知識 / Skill；Global 級是世界觀設定（所有 NPC 共享）；Agent 級是 NPC 角色記憶（每個 NPC 獨立）；隔離層是會話記憶 / Agent 私有記憶；Session 級是玩家本次對話上下文（會話結束后壓縮入 Agent 記憶）。而這只是其中一種可能的組織方式，MemoryLake 支持記憶共享 / 隔離的靈活配置。

7. 亞秒級多跳推理：記憶會 “自己思考”

最震撼的能力，是 MemoryLake 的記憶不是死的，而是活的。

什么是多跳推理？ 舉個例子：

你問：“我應該投資這個醫療 AI 項目嗎？”

• 第 1 跳：檢索 “醫療 AI 項目” 相關記憶 → 找到：“當前評估項目：斯坦福團隊，2 億估值，5 家醫院試點”
• 第 2 跳：關聯 “你的其他醫療投資” → 找到：“18 個月前投資 XYZ 公司，同樣醫療 AI 賽道” → 提取教訓：“XYZ 項目因 FDA 審批延遲導致融資困難”
• 第 3 跳：關聯 “你的投資偏好” → 找到：“你傾向技術壁壘強、有專利保護的項目” → 找到：“你對監管風險敏感”
• 第 4 跳：關聯 “外部知識” → 從行業報告記憶中提取：“醫療 AI 的 FDA 審批平均周期 18-24 個月” → 從新聞記憶中提取：“斯坦福團隊成員中有前 FDA 顧問”

綜合輸出：“建議謹慎樂觀。優勢：(1) 團隊有 FDA 資源，可能加速審批；(2) 試點醫院增速 67% 顯示 PMF 良好；(3) 符合你的‘技術壁壘優先’偏好。風險：(1) 參考 XYZ 項目經驗，需重點盡調 FDA 進度；(2) 估值 2 億偏高，建議壓價到 1.5-1.8 億。建議：進入下一輪盡調，重點關注專利組合和臨床數據。”

這不是簡單的關鍵詞匹配，而是基于記憶圖譜的因果推理。

在全球極具挑戰性的長程對話記憶基準測試 LoCoMo 上（需在平均 300 輪、跨數月、多模態內容的超長對話中進行精準信息整合與推理），MemoryLake 以 94.03% 的綜合得分位列全球第一，顯著超越其他記憶方案及人類標注基線。

05 性能為王

生產級記憶基礎設施

MemoryLake 的性能指標，為其生產級記憶基礎設施能力提供了支撐：

Token 成本直降 91%

MemoryLake 的核心價值之一，就是把 “長期記憶” 從粗暴堆 Token，變成智能提取、結構化組織和按需召回。它返回給模型的不是冗長原文，而是經過理解、壓縮和關聯后的高價值記憶片段，在生產場景，MemoryLake 最高可實現 91% 的 Token 成本下降，讓長期記憶第一次真正具備大規模落地的經濟性。

記憶準確召回率 99.8%

MemoryLake-D1 是專門面向多模態記憶理解與結構化提取的領域模型，擅長從文檔、表格、圖片、音視頻、數據庫記錄和對話歷史中抽取關鍵信息，并將其轉化為可計算的記憶單元。再結合時序感知、知識圖譜、多跳檢索和先進召回機制，MemoryLake 在關鍵任務場景中可實現 99% 以上的信息準確率，在某些嚴苛辦公場景的端到端評測中甚至達到 99.8%。這意味著它不僅 “記得住”，更能 “記得對”。

無限記憶

MemoryLake 的設計邏輯不是模仿人腦的有限容量，而是利用外部系統的分布式存儲與計算能力，把長期記憶真正做成可擴展基礎設施。它支持 PB 級記憶容量。也就是說，OpenClaw 專享版所獲得的不是 “更大的上下文窗口”，而是一套可以隨著用戶、組織和業務持續增長的外部記憶系統。它不會因為會話變長而 “遺忘”，也不會因為模型切換而清空，而是像數字世界里的長期資產一樣不斷積累。

毫秒級延遲

很多記憶系統的問題在于，隨著記憶越來越多，召回和推理速度越來越慢，最終拖垮對話體驗。面向在線交互，MemoryLake 檢索層支持亞秒級的多跳推理查詢和跨概念關聯查找，底層多模態數據平臺已經在超大規模生產環境中實現毫秒級檢索延遲。對于龍蝦這樣的智能體而言，這一點非常關鍵，因為只有記憶調用足夠快，歷史上下文才能在對話中 “自然出現”，而不是讓用戶等待一個遲到的答案。

06 一個真實的場景

從 “文件式記憶” 到 “認知級記憶”

讓我們用一個風險投資決策的例子，來具象化這種體驗差異：

使用傳統 AI 方案

• 第一周，你告訴 AI“正在評估一個醫療 AI 項目，團隊來自斯坦福，已有 3 家醫院試點，估值 2 億美元”。它把這些信息存進 “聊天記錄”。
• 第二周，你說 “繼續上周的醫療 AI 項目分析”。它會去翻 “歷史對話”—— 但翻出來的可能是零散的片段：幾條聊天記錄、幾個關鍵詞、一堆無關的上下文。它需要你補充：“估值還是 2 億嗎？”“團隊背景是什么？”“試點醫院有哪些？”
• 第三周，當你需要生成投資備忘錄時，它可能已經 “失憶”—— 因為中間夾了太多其他項目的對話，關鍵信息被淹沒。你不得不從頭梳理。

接入 MemoryLake 的 AI

第一周，你告訴它一次。D1 模型自動提取關鍵信息：

• 背景記憶：項目類別（醫療 AI）、估值（2 億美元）
• 事實記憶：團隊背景（斯坦福）、試點數量（3 家醫院）
• 事件記憶：首次接觸時間、初步評估結論

全部轉化為結構化的 “認知記憶”，存入 Relyt 數據平臺。

第二周，你說 “繼續上周的醫療 AI 項目分析”。記憶引擎瞬間調出完整記憶脈絡 —— 不是零散的聊天記錄，而是精煉的項目檔案：估值、團隊、試點、風險點、待辦事項。

同時，通過多跳推理，它自動關聯：

• 你三個月前投資的另一個醫療項目（可能存在競爭或協同）
• 你最近閱讀的一份醫療 AI 行業報告（補充趨勢判斷）
• 你的投資偏好（偏好早期 / 成長期、技術壁壘要求等）

第三周，當你討論新的細節時，它會基于已建立的認知，主動提供有深度的建議：

“根據您之前投資 XYZ 項目的經驗，以及您對‘技術壁壘 > 市場規模’的偏好，這個項目的專利布局可能需要重點關注。另外，您在上次醫療投資中提到的‘監管審批周期風險’在這個項目中同樣存在。”

這不是簡單的信息檢索，而是基于全量記憶的認知推理。

07 千億級賽道

創始人與他的 “記憶引力”

根據 Mordor Intelligence 預測，到 2030 年，全球 AI 智能體編排與記憶系統市場規模將突破 284.5 億美元，成為 AI 基礎設施中增長最快的細分領域。

質變科技抓住了機會。其創始人兼 CEO 占超群（花名離哲），擁有超過十年的阿里云核心數據體系搭建經驗，曾主導國內營收最高的云原生數據倉庫，并在 TPC-H 和 TPC-DS 兩項全球數據庫基準測試中同時登頂（中國首次）。

處理幾十萬億級別數據的經驗，讓他比大多數人更早看到 “數據驅動” 的局限，并堅定地轉向 “記憶驅動”。早在 2023 年，團隊先是通過面向 C 端專業用戶的決策智能體 Powerdrill，快速積累了全球超 200 萬用戶，通過超過 1300 萬數據問題修復、5000 萬生成代碼的調優經驗，沉淀出一整套端到端的記憶工程技術，最終產品化為今天的 MemoryLake。

這種扎實積累和快速實踐驗證，讓質變科技在創業初期便收獲資本高度青睞，天使輪即獲得高瓴創投與光速光合聯合投資的數千萬美元融資，估值超 2 億美金。

為什么記憶能成為真正的護城河？

模型的護城河在于算力和數據，而記憶的護城河在于“信任” 與 “中立”。企業不會愿意把積累了數年、涉及核心業務的認知記憶，鎖死在一個特定模型廠商的生態里。他們需要一個像 Snowflake 一樣、能自由連接任何模型和 AI 的中立記憶層

“記憶是有引力效應的，越用越好用，價值越來越大；模型和智能體可能隨需切換，但記憶基礎設施是個人和組織需要持續構建的核心資產。” 占超群在談及公司獨立性時表示，“作為全球少有的兼具記憶能力、模型能力和數據平臺能力于一體的全棧玩家，我們有機會做出一個像 Databricks、Snowflake 那樣的 AI 時代基石企業。MemoryLake 的‘記憶護照’功能，正是瞄準了這一結構性機會 —— 成為 AI 世界里的‘身份與記憶’的通用結算層。”

08 生產可用

頭部行業客戶驗證

在消費領域，MemoryLake 已服務了全球超過 200 萬專業數據用戶。在企業領域，MemoryLake 服務了超大規模（生產系統中超 10 萬億級記錄、億級文檔）的文檔辦公、頭部的企業移動辦公應用、大模型、大型國央企等企業，在與全球云大廠和 AI 典型廠商等競爭中，MemoryLake 在成本、準確召回率和延遲等性能指標方面有著數倍于對手的優勢，如在某嚴苛的辦公場景端到端評測中達到 99.8 % 準確率。

09 從 “炫酷演示”

到 “關鍵任務型 AI 伙伴”

當前，記憶領域正圍繞不同用戶層需求進行有效細分。

但一個清晰的行業趨勢正在浮現：記憶是基礎設施，而非功能。就像數據庫或認證層一樣，優秀的智能體會接入中立的記憶平臺，而不是重新發明輪子。

所有想要從 “炫酷演示” 轉型為 “關鍵任務型數字伙伴” 的 AI 應用或智能體 —— 包括 OpenClaw—— 最終都將運行在專用的長期記憶層上。該領域的贏家將獲得與 Stripe、Plaid 或 Twilio 在其各自層級中相似的平臺經濟效益：巨大的潛在市場規模、持續的收入，以及通過網絡效應和數據飛輪實現的強大防御能力。

模型會像電力一樣商品化，但記憶不會。

如果說 2025 年是智能體爆發元年，那么 2026 年就是記憶基礎設施的奠基之年。在這場從 “無狀態計算” 向 “有狀態智能” 的范式遷移中，MemoryLake 押注的不是一個功能，而是一個時代。

而時間，站在有記憶的一邊。