文 | 冯伟冯大白
AI 记忆的基础费用，已经低到很难与 " 天价 " 联系起来。阿里云 PolarDB Agent Memory 标准版在中国内地，每万条记忆每小时的计算与存储资源费用为 0.015 元。数量始终保持一万条，30 天对应 10.8 元，模型调用另外计费。
争夺这门生意的公司却越来越多。OpenAI 的 ChatGPT、Anthropic 的 Claude 和 Grok，都已提供跨对话的个性化能力；数据库厂商和独立服务商，则希望把记忆提供给更多应用。Mem0 在 2025 年 10 月公布种子轮与 A 轮合计 2400 万美元融资，同期披露的 API 调用量，从当年第一季度 3500 万次增至第三季度 1.86 亿次。
各家争取的，是用户和企业已经积累下来的东西：反复交代的要求，处理过的异常，否决过的方案，以及做完一半的工作。保存几句话可以很便宜，让这些积累在下一次任务中继续起作用，却会影响用户愿意把工作交给谁，以及是否愿意换一家服务。
记忆的价值，最终要在连续工作中兑现。
聊天记录还不是工作经验
AI 应用可以保存很多对话，长上下文模型也能一次读入大量文字。但完整历史里既有最终决定，也有被放弃的方案；既有长期偏好，也有一次性要求。下一次任务开始时，模型仍要判断哪些内容有关、哪个版本有效。把材料保存下来，只完成了其中一步。
阿里云 AgentRun 把长期记忆、会话历史与会话状态分开管理。长期记忆保存跨会话的偏好和信息，会话历史保留完整消息，会话状态保存当前任务的变量和进度。用户说 " 请继续 " 时，系统既要知道他一贯的要求，也要知道这次做到哪里，不能把上一回的完成状态套给这一次。
这种差别在项目变更时尤其明显。某个方案经过讨论被否决，历史里仍然会有大量支持它的理由。只按文字相似程度检索，旧方案可能比一句简短的取消决定更容易被找到。系统即使准确找回了原话，也可能接着做一件已经不该做的事。记忆必须保留决定之间的先后和适用范围，才有条件成为经验。
少读材料，也要少丢条件
把历史反复交给模型，最先遇到的是输入与等待成本。Mem0 团队 2025 年的 LoCoMo 实验中，完整上下文方案每次查询使用约 26031 Token，Mem0 记忆方案为 1764 Token；总响应时间的第 95 百分位，分别为 17.117 秒与 1.440 秒，即约 95% 的请求在对应时间内完成。
但完整上下文的模型裁判评分为 72.90%，Mem0 为 66.88%。这组结果呈现的是明确取舍：检索记忆大幅减少了输入和等待，完整历史在该次实验中仍有更高评分。少读材料有收益，也有遗漏条件的风险。
提炼事实适合合并跨会话信息、整理变化，原始片段保留容易被摘要省掉的名字、日期和具体措辞。一次例外当时可能不起眼，下一次却恰好决定任务能否执行。保留原始内容，相当于给后续判断留下回查材料的机会。两项研究使用不同测试与配置，分别回答了少读材料的代价、怎样减少信息损失，不能拼成不同产品的排名。
更大的损失可能发生在答案生成以后。漏掉一个交付条件，接下来需要补问、重做和人工修正，省下的 Token 会被返工吃掉。采购者真正关心的，是一项工作从交给 AI 到完成，共花了多少时间与费用。记忆服务只有把这笔总账做得更好，低存储单价才有商业意义。
三家 AI 都在积累对用户的了解
这些技术选择已经进入日常产品。OpenAI 的 ChatGPT 可以使用历史对话、保存的记忆和自定义指令；在支持的套餐、地区与设置下，还可使用已保存文件及连接应用的内容。它提供记忆摘要，并可在回答下方展示参与个性化的来源，用户能够回看或纠正，但摘要与来源都不是完整清单。
于是，了解用户的材料不再只来自聊天窗口。邮件中的项目变更、保存的工作文件，都可能帮助 AI 接续任务。来源变多，纠错也更复杂：修改一句总结以后，旧信息仍可能留在某封邮件或某份文档里。用户需要找得到错误来自哪里，服务商则需要处理不同来源之间的关系。
Anthropic 的 Claude 把按主题保存的记忆与历史对话检索分别提供。当前版本可在聊天过程中保存记忆，也可搜索旧对话，检索会显示为工具调用。Chat 与云端 Cowork 可以共用记忆，本地运行的 Cowork 暂不适用；项目与账号记忆能否互通，取决于相应设置。
这种安排把 " 记住要求 " 与 " 回查原话 " 连接起来，也让积累有机会随工作流转。用户从讨论转到执行任务，先前交代的文风和项目背景可以继续使用。它与前面的研究方向相通，但产品具备这些入口，不等于每次都能正确提取和调用信息，实际效果仍要在连续任务里检验。
Grok 官网也列出了跨聊天记忆，可以记住偏好和过去的对话。X 端还有一套个性化机制：在相应授权下，公开资料、帖子、互动和兴趣等信息可以用于个性化，并提供独立控制项。这与实时搜索网页、公开帖子的能力有不同用途。搜索补充外部正在发生的事情，个人记忆帮助系统理解用户此前的要求和决定。
三家的信息来源与控制方式不同，共同目标都是减少用户重复交代的劳动。这里讨论的是产品怎样保存和使用上下文，并非模型把每条个人信息永久写入权重。用户体会到的连续性，来自模型与外围系统共同完成的工作。
企业需要的是能修正的经验
数据库厂商在这里有自己的位置。企业需要 AI 记住的信息，往往已经与实际业务相连，更新也发生在业务系统里。
Oracle 的 Agent Memory 产品说明举过一个物流场景：工厂每周需要特定物料，运输人员需要相应资质，交付要在指定时间前完成。这些要求要在多次排程中保留，还要随着业务更新。记住一句话之后，系统必须知道它对应哪家工厂、哪批货物，以及什么时候有效。
如果记忆服务另存了一份要求，业务系统修改后，这份记忆也要跟着变化。否则，AI 可能很熟练地安排一条已经过期的流程。Oracle 把更新、到期和级联删除列为产品能力；腾讯云 Agent Memory 则区分个人、智能体与团队记忆，团队共享需要明确授权，默认私有。
一条经验能否复用，因而不能只看内容是否正确。某个客户的特殊要求，如果丢掉归属，就可能被用于其他客户；一次临时例外，如果被保存成团队通用规则，后面的智能体可能一直照做。记忆让正确做法容易延续，也会让错误获得更长的传播时间。
这使权限、版本和出处成为服务的一部分。使用者发现问题时，需要分清原始信息是否错误、提炼是否漏了条件、检索是否选错版本，还是模型理解出了偏差。不同环节需要不同修法。换一个更大的模型，不能保证前面保存与检索的问题一并消失。
能够处理这些关系的记忆服务，才可能成为企业长期使用的基础设施。客户支付的不只是保留多少条信息，还包括更新以后旧规则能及时退出，发生错误可以追查，授权撤回后不再继续传播。工作交得越深，这些管理能力的价值就越难用存储单价衡量。
用户能把记忆带走多少
长期积累会影响平台之间的竞争，但它未必只能留在原地。
Claude 已经提供记忆导入、导出。用户可以把其他 AI 整理出的记忆文本粘贴进去，由 Claude 提取并保存为条目；自己的 Claude 记忆也可以导出。导入仍是实验功能，未必能完整吸收全部内容，但一部分偏好与经验已经有了随用户迁移的路径。
这改变了服务商留住用户的方式。一份文风偏好可以复制，几个常用项目的介绍也可以重新输入；单靠保存这些条目，很难建立牢固的长期关系。真正难迁移的，可能是支撑经验生效的整套安排。
文字能够写明某个客户有特殊要求，却不自动附带原始邮件、后来撤回要求的记录、团队授权与正在执行的任务状态。搬到另一套系统后，哪些记录应当被检索，哪个版本优先，谁能看到什么，都需要重新成立。导出完成，不等于同一项工作已经能按原来的方式继续。
AI 记忆的高价值最终落在这些具体结果上：一次纠正能减少后续返工，一次有效处理可以帮助同类任务，一条过期要求能够及时退出决策。保存它们可能只需要很低的基础费用，把它们变成可靠、可更新、可迁移的工作能力，则需要长期服务。用户愿意持续付钱的，是已经被这些积累改变的工作效率。
