摘要
在大模型技术从对话式交互向自主式 Agent 演进的浪潮中，记忆（Memory）正从一个提升效率的辅助功能，蜕变为决定 Agent 能否执行连续复杂任务的生死线。本文整理自记忆张量MemTensor创始人& CEO熊飞宇 博士在 QCon 全球软件开发大会 2026 北京站的分享《从上下文到经验资产：OpenClaw 热潮下的 Agent 记忆系统工程实践》。在本次分享中，熊飞宇系统性地阐述了记忆张量对大模型记忆技术的深层思考与实践成果。覆盖了记忆增强的行业趋势与整体落地应用链路、MemOS 1.0与2.0的核心架构迭代、其在主流agent的无侵入式插件增强方案，以及面向企业多Agent协同产品的ClawForce的设计思路。以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。记忆为何成为大模型应用的核心瓶颈无论是大模型自身的记忆能力，还是面向 Agent 的长期记忆系统，随着 AI 应用从单轮问答走向连续任务执行，其重要性都在持续提升。这背后有几个关键推动因素。首先，OpenAI 对记忆能力的持续探索，使行业进一步认识到长期记忆在用户体验和任务连续性中的价值。Sam Altman 也是这一方向的重要倡导者之一，他曾多次强调，模型需要更好地理解用户的长期偏好、历史信息和持续变化的需求。我们在实际使用中也观察到，当系统能够稳定记住用户偏好、过往上下文和关键约束后，用户不再需要在每次交互中重复提供大量背景信息，模型也能基于更完整的历史信息给出更贴近需求的回答。因此，记忆能力逐渐从一个提升效率的辅助功能，发展为大模型产品和 Agent 系统中的关键基础能力。另一个重要推动因素来自 OpenClaw 这类连续任务 Agent 的出现。过去，记忆更多被视为效率优化问题：有了记忆，系统可以提升回答准确率和召回率，并降低 token 消耗。但在需要自主规划和执行长流程任务的 Agent 场景中，记忆已经进一步关系到系统可靠性。若 Agent 无法准确记录自身状态、任务进度和环境反馈，就容易出现重复执行、步骤跳转错误或连续任务中断等问题。这促使业界重新评估记忆在 Agent 系统中的基础性作用。从工程实践看，单次 session 内的交互已经包含大量上下文信息：用户输入、工具调用结果、静态知识、动态信息、模型推理过程以及用户反馈都会影响最终回答。