AI发展阶段的转变 - AI发展正从上半场以模型参数和基准分数为核心的竞争，转向下半场以在真实世界持续执行复杂任务为核心的下半场[2][3] - 下半场的关键在于解决长时间、多轮次、以任务或用户为导向的现实交互场景，例如白领工作、医疗诊断和深度研究[3] - 这一转变的标志是智能体能力的进化，从最初的函数调用尝试，发展到开始真正影响各类白领行业[3] 智能体记忆成为核心驱动力 - 智能体记忆是当前AI发展的真正核心，其相关研究正在爆炸式增长，一篇系统性综述联合了超过20所高校与工业界研究单位[4] - 当智能体从短对话走向长周期任务时，爆炸性需求并非仅仅是模型智能，而是处理复杂上下文和环境的系统级记忆能力[8] - 现实环境中的信息会持续累积，复杂度远超token数量的增长，包括用户历史行为、多任务记录、工具调用结果等[9] - 真实任务具有时间跨度，要求智能体具备真正的记忆机制，能够存储、抽象、压缩、更新甚至遗忘信息，并在长期过程中持续演化[10][11] 对记忆机制的系统性重新定义 - 记忆不能简单等同于“RAG + 向量库”，这是一种表层理解[13][14] - 该综述从系统设计视角将智能体记忆拆解为三个相互作用维度：存储位置、认知功能、记忆主体[15] - 存储位置包括模型内部和外部，未来的智能体很可能是多层记忆协同的混合结构[15] - 认知功能借鉴认知科学，负责短期感知、支撑当前任务、记录具体事件、沉淀抽象知识及形成技能策略等不同功能[15] - 记忆主体可服务于用户个性化、任务领域专业能力或智能体自身改进，三者的优化目标和更新策略不同[15] - 展开后的记忆框架是一个系统级记忆体结构，未来智能体在真实应用中的能力上限，可能不再完全取决于模型参数规模，而是依赖于记忆如何与工具、环境和用户交互[16] 真实环境下的评估挑战与方向 - 在真实部署中，智能体面对的是动态环境，其核心挑战从“能存多少”转变为“如何管理环境状态”[18][19] - 随着交互时间变长和环境复杂度提升，单纯扩大上下文窗口无法解决结构混乱、信息污染和因果断裂的问题[19] - 未来的关键方向是让记忆策略本身可学习，使记忆控制器从规则工程演化为优化目标的一部分[19] - 评测体系将随之转向，未来基准测试的核心将不再是回答是否正确，而是任务是否真正完成、环境状态是否被正确维护、决策是否可追溯[19] - 真实世界环境的构建，将成为区分实验室模型与可部署智能体的分水岭[19] 行业影响与未来展望 - 智能体能力的进化已开始影响各类白领行业，Anthropic开放行业级插件生态导致一批SaaS公司股价剧烈波动[3] - 年初OpenClaw（小龙虾）开源项目的爆火，其GitHub star增长速度甚至超过Linux[3] - 从单轮智能到长期协作，从一次性回答到跨环境执行，AI的重心正在悄然转移[24] - 决定系统价值上限的，或许不再只是参数规模，而是记忆的系统级设计能力[25] - AI的下半场竞争，已经从系统级记忆体正式打响[26]