AI 记忆四重跃迁：从被动检索到自主习得

从 RAG 技术到 Skill 自进化，AI 记忆正经历一场远超预期的深刻变革。而我洞察到，这场变革的终极目标，绝非仅仅是「记得更多」。

上月我曾撰文解析微软 Mnemis 框架如何实现 AI「在存储阶段即构建结构」。文章发布后，后台一条留言让我沉思片刻：

「既然 AI 记忆力提升了，那接下来呢？」

这个问题切中肯綮。我深思一周并复盘最新相关研究，发现答案比预想更为宏大——

AI 记忆的演进并非单纯的技术迭代，而是一次范式层面的飞跃。且此次飞跃的终点，不在于「记忆量的增加」，而在于「行动力的生成」。

当前九成 AI 应用所采用的记忆方案，名为 RAG（检索增强生成）。

其原理并不晦涩：将用户与 AI 的对话切割为片段→转化为数学向量→存入数据库。待用户再次提问，AI 便从库中抓取若干「语义最相近」的片段，嵌入上下文作为参考。

看似逻辑通顺，却存在致命缺陷：「语义相似」并不等同于「实质相关」。

假设你在长对话中随口提及「2023 年我去底特律参会」。三月后你询问 AI「2023 年我去过哪些城市」——其回答中极大概率缺失底特律。

原因在于，「参会」与「去过城市」之间，向量距离过于遥远，导致 RAG 无法检索。

这并非个别疏漏，而是 RAG 架构的天花板——它将全部精力押注于「检索策略」，而在「存储环节」毫无作为，仅执行切片、编码与入库。

这就好比一座图书馆仅凭书名寻书，却从未有人编制过目录。

微软推出的 Mnemis 方案，已获 ACL 2026 主会议收录。

其核心逻辑与 RAG 截然相反：不必等到提问时才思考如何查找，而应在存储时就完成结构搭建。

具体而言，Mnemis 在两条路径上同步推进：

一、将碎片化对话转化为「知识图谱」。通过实体识别、关系构建、去重与聚合，你的每次对话不再是破碎入库，而是被编织成网。

二、在知识图谱之上构建「层级概念图」。底特律、旧金山归入「地理位置」，后者再归入「地理」范畴。顶层为宏观分类，底层为具体信息——实现自顶向下的精准定位。

这意味着：每次与 AI 交谈结束，它并非单纯「存档」，而是在助你「整理书架」。分类、归位、标注索引，这些工作在存储阶段便已完成。

在 LoCoMo 基准测试中准确率达 93.9%，LongMemEval-S 上为 91.6%。且仅依托 GPT-4.1-mini 模型——证明其成效非靠算力堆砌，而是框架设计的内在优越性。

然而，Mnemis 仅解决了「记什么」与「如何组织」的难题，却未触及另一关键：

何时该唤起何种记忆。

试想人类记忆的运作机制。你并非每逢遇见某人，便调取关于此人的全部记忆。大脑会自动研判：在当前场景下，哪些记忆相关，哪些无关。

OpenViking 正是致力于此——实现记忆的运行时调度。

它将记忆划分为不同层级：短期工作记忆（当前对话窗口）、近期情景记忆（最近几次交互）、长期语义记忆（知识库与结构化信息）。每当 AI 需决策时，OpenViking 并非全盘灌输，而是动态甄选当前最相关的层级。

此说法虽技术感浓厚，但若以日常生活类比则简明易懂——

RAG 如同将你毕生所写全部摊于桌面，每次使用均需翻阅一遍。Mnemis 似将物品整理进文件夹与书柜，查找时按类索骥。OpenViking 则宛如一位助理，知晓你今日会见何人、洽谈何事，提前将相关文件抽出置于手边。

从「被动存储」演进至「主动建构」，再升级为「按需调取」——一条清晰的进化脉络已然显现。

但行至此处，我不禁自问：这条进化链的终点何在？

清华大学近期的研究给出了令人振奋的答案：Skill 自进化。

当 Agent 反复执行某类任务后，不再每次都从头推理。它能从自身执行历史中自动提炼可复用的操作模式，封装为「技能」。下次遭遇类似任务，直接调用技能，无需重新推理。

这意味着什么？

记忆的终极形态并非「记录信息」，而是「生长能力」。

回想你学习驾驶的过程。起初你刻意铭记每一步骤：观察后视镜、开启转向灯、松开离合、踩下油门。每次操作都需「检索」一遍操作手册。

行驶千公里后，你不再需要「记忆」如何驾驶——变道前你不会思索「依据手册第三章，变道需先看后视镜」。你已「掌握」驾驶。

这正是 Skill 自进化在 AI 领域的实践：让 AI 从「每每查阅笔记」转变为「此事我已精通」。

将这四个层级统筹审视，一条完整的进化路径浮出水面：

每一层皆解决一个更为根本的问题。且你会发觉，每一层均未否定上一层——RAG 的向量检索依然有效，Mnemis 的知识图谱构建于 RAG 之上，OpenViking 在 Mnemis 结构上增设调度逻辑，Skill 则在此所有基础之上进行模式提取。

这并非替代关系，而是叠加关系。

上述讨论均聚焦于单个 AI 的记忆。尚有一个维度常被忽视——

组织级记忆。

团队之中，每位成员与 AI 的对话各异，执行的任务不同。这些分散的记忆，如何提炼为整个组织的集体能力？

我常思索此问题。RAG 记录的是碎片，Mnemis 构建的是个人知识图谱，OpenViking 管理的是个人记忆调度——但尚无框架能解决：一群人同 AI 交互产生的集体记忆，如何被抽象、提纯，转化为团队整体生产力？

这或许就是第五层级。

本文断断续续撰写数日。每次欲收尾，脑海中又涌现新线索。

但有一点愈发清晰：人类之所以为人，非因能铭记更多事物，而是因为「记忆」最终转化为了「能力」。

一名实习生，首周频频询问「此流程如何操作」。三月后不再发问，非因他背下了所有答案——而是因为他「学会」了。

AI 记忆的进化路径，实则与人类如出一辙：从铭记碎片，到构建结构，再到按需调取，最终生长出能力。

而组织记忆的提纯——让一群 AI 皆「精通」——或许是下一步最值得关注的方向。

优良的记忆力并非终点。能够行动，方为终极目标。

参考资料： - Mnemis (Microsoft, ACL 2026): arxiv.org/abs/2602.15313 - OpenViking: 多智能体记忆管理与运行时调度 - 清华 Skill: Agent 自主技能提取与自进化