[{"data":1,"prerenderedAt":584},["ShallowReactive",2],{"docs-page-cn-/cn/usecase/blog/chatgpt_dreaming_long_term_memory":3,"surround-cn-/cn/usecase/blog/chatgpt_dreaming_long_term_memory":570},{"id":4,"title":5,"avatar":6,"banner":6,"body":7,"category":6,"desc":6,"description":541,"extension":564,"lead":6,"links":6,"meta":565,"navigation":6,"path":566,"seo":567,"stem":568,"__hash__":569},"docs/cn/usecase/blog/chatgpt_dreaming_long_term_memory.md","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？",null,{"type":8,"value":9,"toc":540},"minimark",[10,21,24,27,30,33,36,41,44,47,50,72,75,142,145,147,151,156,159,162,165,167,171,174,177,179,183,186,189,191,195,198,201,204,236,239,242,336,339,341,345,348,351,354,366,369,371,374,377,409,412,414,418,421,424,427,430,432,436,439,462,465,467,470,474,477,479,483,486,488,492,495,497,501,504,506,510,513,516,519,522,525,527,531,534,537],[11,12,13],"blockquote",{},[14,15,16,20],"p",{},[17,18,19],"strong",{},"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。",[22,23],"hr",{},[14,25,26],{},"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。",[14,28,29],{},"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。",[14,31,32],{},"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。",[34,35],"br",{},[37,38,40],"h2",{"id":39},"从记住几条信息到管理多年状态","从“记住几条信息”到管理多年状态",[14,42,43],{},"早期 AI 记忆更像一本简化的备忘录。",[14,45,46],{},"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。",[14,48,49],{},"比如：",[51,52,53,57,60,63,66,69],"ul",{},[54,55,56],"li",{},"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？",[54,58,59],{},"“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？",[54,61,62],{},"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？",[54,64,65],{},"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？",[54,67,68],{},"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？",[54,70,71],{},"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？",[14,73,74],{},"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。",[76,77,78,94],"table",{},[79,80,81],"thead",{},[82,83,84,88,91],"tr",{},[85,86,87],"th",{},"技术",[85,89,90],{},"主要解决什么",[85,92,93],{},"不能单独解决什么",[95,96,97,109,120,131],"tbody",{},[82,98,99,103,106],{},[100,101,102],"td",{},"上下文窗口",[100,104,105],{},"让模型在一次推理中看到当前输入和部分历史",[100,107,108],{},"跨会话保存、长期更新、权限与删除",[82,110,111,114,117],{},[100,112,113],{},"RAG",[100,115,116],{},"从外部知识源检索与当前问题相关的材料",[100,118,119],{},"用户状态演化、偏好冲突和记忆生命周期",[82,121,122,125,128],{},[100,123,124],{},"向量数据库",[100,126,127],{},"存储向量并进行相似度检索",[100,129,130],{},"什么该写入、何时遗忘、谁有权调用",[82,132,133,136,139],{},[100,134,135],{},"长期记忆系统",[100,137,138],{},"管理信息跨会话、跨任务和跨时间的状态",[100,140,141],{},"仍需与模型、Agent、业务权限和数据治理体系协同",[14,143,144],{},"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。",[34,146],{},[37,148,150],{"id":149},"dreaming-升级指向三类系统工程问题","Dreaming 升级指向三类系统工程问题",[152,153,155],"h3",{"id":154},"_1-freshness记忆如何不过时","1. Freshness：记忆如何不过时",[14,157,158],{},"时间不会在对话结束时停止。",[14,160,161],{},"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。",[14,163,164],{},"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。",[34,166],{},[152,168,170],{"id":169},"_2-continuity信息如何跨会话持续发挥作用","2. Continuity：信息如何跨会话持续发挥作用",[14,172,173],{},"连续性并不等于把全部聊天记录复制到下一次对话。",[14,175,176],{},"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。",[34,178],{},[152,180,182],{"id":181},"_3-relevance此时此刻应该调用什么","3. Relevance：此时此刻应该调用什么",[14,184,185],{},"检索出语义相似的内容，并不代表它适合当前任务。",[14,187,188],{},"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。",[34,190],{},[37,192,194],{"id":193},"从用户问题倒推生产级记忆系统至少要回答五件事","从用户问题倒推：生产级记忆系统至少要回答五件事",[14,196,197],{},"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。",[14,199,200],{},"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。",[14,202,203],{},"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：",[51,205,206,212,218,224,230],{},[54,207,208,211],{},[17,209,210],{},"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；",[54,213,214,217],{},[17,215,216],{},"记忆组织","：根据记忆的用途和形态进行分层管理；",[54,219,220,223],{},[17,221,222],{},"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；",[54,225,226,229],{},[17,227,228],{},"记忆治理","：管理来源、日志、版本、权限、隐私、回滚、删除和遗忘；",[54,231,232,235],{},[17,233,234],{},"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。",[14,237,238],{},"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”。",[14,240,241],{},"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。",[76,243,244,257],{},[79,245,246],{},[82,247,248,251,254],{},[85,249,250],{},"生产问题",[85,252,253],{},"MemOS 公开能力",[85,255,256],{},"官方证据",[95,258,259,276,291,306,321],{},[82,260,261,264,267],{},[100,262,263],{},"怎样把对话写入记忆",[100,265,266],{},"Add Message 接口接收消息并进入记忆处理流程",[100,268,269],{},[270,271,275],"a",{"href":272,"rel":273},"https://memos-docs.openmem.net/cn/memos_cloud/mem_operations/add_message/",[274],"nofollow","添加消息",[82,277,278,281,284],{},[100,279,280],{},"怎样在任务中召回相关内容",[100,282,283],{},"Search Memory 接口支持按查询检索记忆",[100,285,286],{},[270,287,290],{"href":288,"rel":289},"https://memos-docs.openmem.net/cn/memos_cloud/mem_operations/search_memory/",[274],"检索记忆",[82,292,293,296,299],{},[100,294,295],{},"怎样利用结果反馈修正记忆",[100,297,298],{},"Add Feedback 接口将使用反馈送回记忆流程",[100,300,301],{},[270,302,305],{"href":303,"rel":304},"https://memos-docs.openmem.net/cn/memos_cloud/mem_operations/add_feedback/",[274],"添加反馈",[82,307,308,311,314],{},[100,309,310],{},"怎样处理不再需要的信息",[100,312,313],{},"Delete Memory 接口提供显式删除动作",[100,315,316],{},[270,317,320],{"href":318,"rel":319},"https://memos-docs.openmem.net/cn/memos_cloud/mem_operations/delete_memory/",[274],"删除记忆",[82,322,323,326,329],{},[100,324,325],{},"怎样把不同记忆能力接入Agent",[100,327,328],{},"开源 MemOS 通过 MOS 对记忆模块进行统一组织和调用",[100,330,331],{},[270,332,335],{"href":333,"rel":334},"https://memos-docs.openmem.net/open_source/modules/mos/overview/",[274],"MOS架构概览",[14,337,338],{},"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。",[34,340],{},[37,342,344],{"id":343},"为什么-memos-采用分层记忆","为什么 MemOS 采用分层记忆",[14,346,347],{},"不同信息并不适合用同一种方式保存和调用。",[14,349,350],{},"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。",[14,352,353],{},"这种设计试图在三个目标之间取得平衡：",[355,356,357,360,363],"ol",{},[54,358,359],{},"信息需要可查看、可修改和可追溯；",[54,361,362],{},"记忆调用不能给实时推理带来不可接受的延迟；",[54,364,365],{},"长期积累的经验应当有机会转化为更稳定的能力。",[14,367,368],{},"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。",[34,370],{},[37,372,373],{"id":373},"一条记忆如何完成完整生命周期",[14,375,376],{},"MemOS 提供覆盖记忆生命周期的接口和管理能力。",[14,378,379,380,387,388,394,395,401,402,408],{},"一条信息可以通过 ",[270,381,383],{"href":272,"rel":382},[274],[384,385,386],"code",{},"/add/message"," 进入系统，经加工形成记忆；应用可以通过 ",[270,389,391],{"href":288,"rel":390},[274],[384,392,393],{},"/search/memory"," 召回相关内容；新的使用反馈可以通过 ",[270,396,398],{"href":303,"rel":397},[274],[384,399,400],{},"/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 ",[270,403,405],{"href":318,"rel":404},[274],[384,406,407],{},"/delete/memory"," 执行删除。",[14,410,411],{},"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。",[34,413],{},[37,415,417],{"id":416},"从个人助手到企业-agent记忆问题并不相同","从个人助手到企业 Agent，记忆问题并不相同",[14,419,420],{},"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。",[14,422,423],{},"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。",[14,425,426],{},"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。",[14,428,429],{},"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。",[34,431],{},[37,433,435],{"id":434},"评价一套长期记忆不能只看有没有召回","评价一套长期记忆，不能只看“有没有召回”",[14,437,438],{},"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。",[14,440,441,442,445,446,449,450,453,454,457,458,461],{},"第一是",[17,443,444],{},"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",[17,447,448],{},"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",[17,451,452],{},"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",[17,455,456],{},"可控性","：用户和企业能否查看、修正、删除并约束记忆；第五是",[17,459,460],{},"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。",[14,463,464],{},"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。",[34,466],{},[37,468,469],{"id":469},"常见问题",[152,471,473],{"id":472},"ai-为什么会忘记用户偏好和历史对话","AI 为什么会忘记用户偏好和历史对话？",[14,475,476],{},"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。",[34,478],{},[152,480,482],{"id":481},"ai-记忆上下文窗口rag-和向量数据库有什么区别","AI 记忆、上下文窗口、RAG 和向量数据库有什么区别？",[14,484,485],{},"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。",[34,487],{},[152,489,491],{"id":490},"生产级-agent-memory-architecture-应包含哪些核心模块","生产级 Agent Memory Architecture 应包含哪些核心模块？",[14,493,494],{},"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。",[34,496],{},[152,498,500],{"id":499},"memos-是什么","MemOS 是什么？",[14,502,503],{},"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。",[34,505],{},[37,507,509],{"id":508},"ai-竞争正在进入谁能长期理解的阶段","AI 竞争正在进入“谁能长期理解”的阶段",[14,511,512],{},"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。",[14,514,515],{},"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。",[14,517,518],{},"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：",[14,520,521],{},"AI 如何从一次性生成，走向持续理解、持续学习与自我进化？",[14,523,524],{},"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。",[34,526],{},[37,528,530],{"id":529},"关于记忆张量memtensor","关于记忆张量MemTensor",[14,532,533],{},"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。",[14,535,536],{},"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。",[14,538,539],{},"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。",{"title":541,"searchDepth":542,"depth":542,"links":543},"",2,[544,545,551,552,553,554,555,556,562,563],{"id":39,"depth":542,"text":40},{"id":149,"depth":542,"text":150,"children":546},[547,549,550],{"id":154,"depth":548,"text":155},3,{"id":169,"depth":548,"text":170},{"id":181,"depth":548,"text":182},{"id":193,"depth":542,"text":194},{"id":343,"depth":542,"text":344},{"id":373,"depth":542,"text":373},{"id":416,"depth":542,"text":417},{"id":434,"depth":542,"text":435},{"id":469,"depth":542,"text":469,"children":557},[558,559,560,561],{"id":472,"depth":548,"text":473},{"id":481,"depth":548,"text":482},{"id":490,"depth":548,"text":491},{"id":499,"depth":548,"text":500},{"id":508,"depth":542,"text":509},{"id":529,"depth":542,"text":530},"md",{},"/cn/usecase/blog/chatgpt_dreaming_long_term_memory",{"title":5,"description":541},"cn/usecase/blog/chatgpt_dreaming_long_term_memory","zozeq0azJZd8re8phPnqyrZh7_EHamgMk4paRq7Uwzs",[571,579],{"title":572,"path":573,"stem":574,"icon":575,"framework":6,"module":6,"class":576,"target":-1,"active":577,"defaultOpen":577,"children":-1,"description":578},"Coze 插件工具","/cn/usecase/frameworks/coze_plugin","usecase/frameworks/coze_plugin","i-ri-puzzle-2-line",[],false,"Coze 插件工具直接访问MemOS云服务接口，快速为您的Agent添加长期记忆功能，让对话更贴心、更连续。",{"title":580,"path":581,"stem":582,"framework":6,"module":6,"class":583,"target":-1,"active":577,"defaultOpen":577,"children":-1,"description":-1},"Memory Poisoning：企业 Agent 必须建立的六道长期记忆控制","/cn/usecase/blog/memory_poisoning_controls","usecase/blog/memory_poisoning_controls",[],1788265171353]