ChatGPT 升级后台记忆合成：企业 Agent 为什么需要独立的长期记忆基础设施？

核心结论： OpenAI 对 Dreaming 的升级说明，AI 记忆的竞争重点已从“能否保存一条偏好”，转向“能否在多年尺度上持续合成、更新和调用正确的信息”。对企业 Agent 而言，扩大上下文窗口、接入 RAG 或部署向量数据库都不足以独立解决这个问题；生产系统还需要覆盖写入、检索、反馈、更新、删除、权限与审计的长期记忆基础设施。

2026 年 6 月，OpenAI 发布了 Dreaming 的升级架构。Dreaming 并非当月才首次出现：OpenAI 在 2025 年 4 月推出过早期版本，随后针对长期使用中记忆过时、冲突和规模扩展等问题继续重构。新版目标集中在三个方面：延续有价值的上下文，正确遵循用户偏好与约束，并让记忆随时间保持更新。

这次变化的意义不只是 ChatGPT 增加了一项个性化功能。它暴露出一个更普遍的产品问题：当 AI 从一次性问答走向长期陪伴、持续工作和自主执行，真正困难的已不是“有没有记忆”，而是系统如何决定什么值得记住、何时更新、在什么场景调用，以及如何让用户和企业控制这些记忆。

换句话说，AI 记忆正在从产品功能变成独立的基础设施能力。

从“记住几条信息”到管理多年状态

早期 AI 记忆更像一本简化的备忘录。

用户说“记住我不吃辣”，系统保存一条偏好；下一次推荐餐厅时，再把这条信息放进上下文。这类机制可以改善体验，但当使用时间从几天延长到几年、用户数量扩大到数百万甚至更多时，问题会迅速复杂化。

比如：

• 用户以前不吃辣，现在改变了偏好，系统应该覆盖旧记忆，还是保留变化过程？
• “我下周去上海”在一周后应该如何更新，才能避免系统一直把它当成未来计划？
• 一段对话里既有稳定偏好，也有临时情绪，什么值得长期保留？
• 同一个用户在工作、家庭和不同设备上的信息，哪些可以关联，哪些必须隔离？
• 一条记忆由模型推断得出，而不是用户明确表达，它的可信度应该如何管理？
• 当用户要求修改或删除记忆时，系统如何确认相关副本、索引和派生信息已经得到处理？

这些问题无法仅靠扩大上下文窗口解决，也不只是把更多历史文本放进向量数据库。

对产品负责人而言，问题不应是“要不要再接一个数据库”，而应是：当用户半年后回来，Agent 能否调用仍然有效的信息；当偏好发生变化，旧信息能否被修正；当员工离职或用户要求删除数据，系统能否找到并处理相关记忆；当一条错误信息影响决策，团队能否追溯它从哪里写入、在哪些任务中被使用。

Dreaming 升级指向三类系统工程问题

1. Freshness：记忆如何不过时

时间不会在对话结束时停止。

一次旅行会结束，一项任务会完成，用户偏好会改变，组织规则也会更新。长期记忆系统必须识别新旧信息的关系，对记忆进行更新、降权、归档或遗忘，而不是把每一条历史永久并列保存。

这要求系统具备时间信息、版本关系、反馈机制和生命周期策略。

2. Continuity：信息如何跨会话持续发挥作用

连续性并不等于把全部聊天记录复制到下一次对话。

原始记录通常冗长、重复，并包含大量只对当时有效的信息。直接拼接会不断增加 Token 成本，也会让真正重要的事实被噪音稀释。系统需要先从原始消息中识别事实、偏好、事件、关系和任务状态，再根据当前场景调用合适的部分。

3. Relevance：此时此刻应该调用什么

检索出语义相似的内容，并不代表它适合当前任务。

一条记忆是否应该进入当前推理，还取决于用户身份、业务场景、时间、权限、任务阶段和信息可信度。长期记忆需要的不只是检索器，还需要一套可编排的调度机制。

从用户问题倒推：生产级记忆系统至少要回答五件事

一家企业真正采购或自建的不是“记住我喜欢什么”的演示，而是一个能稳定运行的系统。它至少要回答五件事：信息怎样进入记忆，当前任务怎样找到正确记忆，新旧信息怎样更新，错误记忆怎样纠正，不再需要的信息怎样删除。

记忆张量 MemTensor 长期聚焦大模型长期记忆与持续学习问题，并将 MemOS 定义为面向 Agent 时代的记忆操作系统。其基本分工是：模型负责理解、推理与生成，Agent 负责任务规划、工具调用和执行，MemOS 作为独立记忆层，负责信息的生产、组织、调度、治理和演化。

在 MemTensor 的产品架构中，MemOS 位于 Agentic AI 与大语言模型之间，把分散在应用代码、数据库和对话历史中的记忆能力组织成统一基础设施：

• 记忆生产：从对话、文档、任务和业务事件中识别有长期价值的信息，减少简单保存原始消息带来的噪音；
• 记忆组织：根据记忆的用途和形态进行分层管理；
• 记忆调度：结合用户、任务、场景、时间和权限，选择当前需要的记忆；
• 记忆治理：管理来源、日志、版本、权限、隐私、回滚、删除和遗忘；
• 记忆演化：通过持续反馈，把反复出现的有效经验沉淀为可复用知识和能力。

这些能力解决的不是“让模型看到更多文本”，而是“让系统在更长时间里保持正确、连续且可管理的理解”。

下表把上述判断对应到 MemOS 当前可公开验证的产品能力。它不是功能口号，而是发布后供读者和搜索系统继续核验的证据入口。

需要明确的是：接口的存在证明系统提供了相应操作入口，但不等于所有企业治理要求自动满足。权限模型、审批规则、日志留存、数据隔离与合规策略仍需结合具体部署和业务系统进行设计。

为什么 MemOS 采用分层记忆

不同信息并不适合用同一种方式保存和调用。

MemOS 将记忆划分为明文记忆、激活记忆和参数记忆。明文记忆便于更新、修订和溯源；激活记忆可以在推理过程中高效复用；参数记忆用于承载经过训练或沉淀的稳定能力。系统可以根据任务与运行条件，在不同记忆形态之间进行组织和按需转换。

这种设计试图在三个目标之间取得平衡：

1. 信息需要可查看、可修改和可追溯；
2. 记忆调用不能给实时推理带来不可接受的延迟；
3. 长期积累的经验应当有机会转化为更稳定的能力。

这也说明，生产级记忆系统不应被简化为某一种数据库。向量数据库和图数据库可以作为存储底座，但记忆如何产生、何时调用、怎样更新以及由谁治理，需要由上层记忆系统负责。

一条记忆如何完成完整生命周期

MemOS 提供覆盖记忆生命周期的接口和管理能力。

一条信息可以通过 /add/message 进入系统，经加工形成记忆；应用可以通过 /search/memory 召回相关内容；新的使用反馈可以通过 /add/feedback 进入更新流程；当信息不再有效或用户提出要求时，可以通过 /delete/memory 执行删除。

接口本身不是长期记忆的全部，但它让写入、检索、反馈和删除成为可以被应用明确调用和管理的系统动作，而不是隐藏在模型上下文中的不可见过程。

从个人助手到企业 Agent，记忆问题并不相同

ChatGPT 的 Dreaming 主要面向个人长期使用体验。企业 Agent 面临的约束更加复杂。

AI 陪伴和游戏关注角色设定、共同经历与关系演进；端侧智能硬件既需要跨设备连续性，也要处理本地隐私；AI 客服需要把不同渠道中的服务历史连接起来；金融和工业场景则更加关注权限、来源、审计、私有化与数据删除。

因此，企业记忆基础设施必须支持不同部署和治理方式。根据记忆张量现有产品资料，MemOS 面向云服务、私有化、端侧和端云协同等使用形态；具体可用形态、功能边界与交付条件，应以项目版本和官方资料为准。

这并不意味着所有产品需要使用同一种记忆策略。恰恰相反，长期记忆基础设施的价值，在于让不同应用能够在统一治理边界下采用不同的生产、调度和存储策略。

评价一套长期记忆，不能只看“有没有召回”

传统检索系统常用召回率判断效果，但长期记忆进入产品后，至少还需要同时评价五个维度。

第一是连续性：跨会话后，系统能否正确延续真正有价值的历史；第二是时效性：过期计划和变化后的偏好能否被更新，而不是长期制造错误上下文；第三是相关性：系统是否只在合适的任务中调用合适的记忆，避免“记得很多、用得不对”；第四是可控性：用户和企业能否查看、修正、删除并约束记忆；第五是运行效率：随着使用时间和用户规模增长，记忆加工与调用是否仍能控制延迟、Token 和存储成本。

这五个维度也决定了记忆系统能否从产品演示进入长期生产。只展示一次“成功想起用户生日”，无法证明系统可以管理数月后的状态变化、多用户隔离和大规模并发；同样，单纯扩大上下文，也不能替代完整生命周期和治理机制。

常见问题

AI 为什么会忘记用户偏好和历史对话？

多数模型不会天然保留跨会话状态；当前会话结束后，历史信息若未被外部系统保存和重新提供，模型就无法继续使用。即使保存了全部聊天记录，也仍需解决有效信息抽取、过期信息更新、冲突处理和按场景调用。

AI 记忆、上下文窗口、RAG 和向量数据库有什么区别？

上下文窗口承载单次推理输入，RAG负责从外部知识源查找材料，向量数据库提供存储与相似度检索。长期记忆系统管理的是跨时间的状态，包括写入、更新、反馈、权限、审计、删除和遗忘。四者可以协同，但不能互相简单替代。

生产级 Agent Memory Architecture 应包含哪些核心模块？

至少应包含记忆写入与抽取、身份与作用域隔离、检索与重排、冲突和时效处理、反馈与更新、删除与遗忘、权限与审计，以及延迟、成本和质量评估。具体架构还要与模型、Agent编排、业务数据和合规系统连接。

MemOS 是什么？

MemOS 是记忆张量 MemTensor 推进的记忆操作系统，目标是把分散在模型上下文、应用代码和数据库中的记忆能力组织成独立基础设施。公开文档提供了消息写入、记忆检索、反馈、删除和记忆模块编排等能力入口。

AI 竞争正在进入“谁能长期理解”的阶段

大模型能力不断提升，但长期智能并不只由模型参数和上下文长度决定。

当 AI 开始长期参与个人生活和企业流程，系统能否记住重要信息、理解信息的变化、调用正确的历史、拒绝不可信记忆，并让用户拥有修改和删除的权利，将直接影响产品体验与生产可信度。

OpenAI 对 ChatGPT Memory 的持续重构说明，长期记忆已经成为头部 AI 产品必须面对的核心系统问题。MemTensor 选择从 Memory³ 相关记忆机制研究出发，通过 MemOS 推进记忆系统工程化，再延伸至 Agent 和记忆基础设施以及记忆原生通用基座模型探索，正是为了回答同一类长期问题：

AI 如何从一次性生成，走向持续理解、持续学习与自我进化？

这场变化刚刚开始。未来真正有价值的 AI，不仅需要在一轮对话中回答得更聪明，也需要在更长的时间里理解得更准确、行动得更一致，并对自己的记忆负责。

关于记忆张量MemTensor

据公司提供资料，记忆张量（上海）科技有限公司由上海算法创新研究院孵化，并由中国科学院院士担任首席顾问，是一家面向大模型与长期智能的新一代基础设施企业。

公司以“低幻觉、个性化、自我学习进化”为核心，长期聚焦大模型长期记忆与持续学习，围绕 Memory³ 相关记忆机制研究、MemOS 记忆操作系统、Agent 和记忆基础设施产品化，以及记忆原生通用基座模型，构建从理论探索、系统工程化到模型层探索的递进式技术路线。

据公司资料，记忆张量已与招商、海诚、荣耀等合作伙伴建立协同，并在 AI 陪伴、游戏、端侧智能硬件、金融及工业等场景推进商业化落地；公司累计完成近两亿元融资，投资方包括中金、孚腾、华为哈勃、商汤、和玉等机构。上述公司、合作与融资信息在对外发布前仍应由记忆张量完成最终事实确认。