Agentic Memory開年就卷起來了？華人團隊MemBrain拿下多項SOTA！

機器之心編輯部

2026 剛來到 2 月，無論是底層模型大廠還是初創(chuàng)公司統(tǒng)統(tǒng)加速開卷，其中 Agentic Memory 方向的快速進化更是把大模型的能力上限推向了 NEXT LEVEL!

OpenAI 和 Anthropic 持續(xù)推高上下文窗口的上限，Clawdbot 小蝦憑借記憶能力住進了更多用戶心中，AI 行業(yè)共識正在發(fā)生微妙但劇烈的轉向 —— 沒有記憶的 Agent 只是一個高級的自動補全工具。要讓 AI 真正處理復雜項目或長期任務，它必須具備一種跨會話的、結構化的長期記憶機制。

AI 技術圈和資本押注的新風口

如果說大模型提供了 “高度運轉的大腦”，那么記憶層就是 Agent 真正邁向好用的 “關鍵能力”。

Sequoia Capital 的合伙人在近期的一次閉門會上談到，未來的 Agent 核心挑戰(zhàn)之一是實現(xiàn) "持久化身份"(Persistent Identity)—— 讓 AI 不僅能記住用戶的歷史交互，更要在長時間運行中保持一致的理解和上下文記憶。在 Agentic AI 的進化競賽中，一個長期被忽視的瓶頸正成為頂級風投追逐的新風口：持久化記憶（Persistent Memory）。

剛剛，F(xiàn)eeling AI 團隊在深夜發(fā)布 MemBrain1.0，在 LoCoMo / LongMemEval / PersonaMem-v2 等多項主流記憶基準評測中拿下全新 SOTA，反超 MemOS、Zep 和 EverMemOS 等記憶系統(tǒng)和全上下文模型；在 KnowMeBench Level III 兩個難度等級最高的評測中更是比現(xiàn)有評測結果大幅提升超 300%。

Feeling AI 是 2025 年剛浮出水面不久的 AI 初創(chuàng)團隊，創(chuàng)始人戴勃是生成式 AI 領域的青年科學家，他曾在 NTU 和上海 AI 實驗室任職，擔任生成式 AI 團隊的負責人。據(jù)媒體此前報道，他們還低調的完成了兩輪超億元的融資，是國內最早在世界模型和 3D 動態(tài)交互方向進行嘗試的團隊之一。

Memory for Agentic AI 新 SOTA——MemBrain1.0

Feeling AI 公布的評測結果，通過在 4 個業(yè)內公認的記憶基準測試來一場 "實戰(zhàn)演練" 以驗證算法的 "真功夫"。基于 EverMemOS 開源倉庫搭建的一個 "公平擂臺"—— 所有 “參賽選手” 都使用同一個基礎大模型（GPT-4.1-mini）作為 "底座"，MemBrain1.0 與其他大模型記憶增強方法在同一起跑線上的能力比拼結果先看為敬。

在主流測試基準 LoCoMo 和 LongMemEval 上，MemBrain1.0 分別以 93.25% 和 84.6% 的準確率斬獲新的 SOTA。這部分得益于MemBrain1.0 精細的實體 - 時間上下文管理設計， 在時序任務以及多會話場景任務下取得顯著提升。

在另一個考察隱性畫像捕捉能力的 PersonaMem-v2測試基準上，MemBrain1.0 以 51.50% 的準確率超越現(xiàn)有公開的方法，精準實現(xiàn)了對用戶長期偏好的深度洞察。

此外，在 Hugging Face 廣受關注的 Knowme-Bench 基準中，MemBrain 的實驗結果表明，在 KnowMeBench Level III: Psychoanalytic Depth:Mind-BodyInteraction (T6),Expert-Annotated Psychoanalysis (T7) 難度等級最高的兩個評測中更是比現(xiàn)有評測結果大幅提升超 300%，顯示出 MemBrain 在高階認知理解任務中顯著的性能優(yōu)勢。Knowme-Bench 的核心挑戰(zhàn)在于要求模型超越基礎的精確記憶抽取，實現(xiàn)基于記憶內容的深層分析與復雜推理。

MemBrain1.0 的算法強在哪？

讓記憶系統(tǒng)學會 "主動思考"

現(xiàn)有記憶系統(tǒng)在檢索機制上普遍采用多路召回與重排架構（如全文檢索、向量檢索與圖數(shù)據(jù)庫的混合檢索）—— 雖然配備了一整套 "豪華工具箱"，但性能很大程度上取決于預設的分支參數(shù)，系統(tǒng)只能按預設軌道上 "照章辦事"。盡管 EverMemOS 等前沿工作嘗試引入查詢改寫（Query Rewriting）來適配多維度的查詢需求，但這種單輪觸發(fā)機制本質上還是 "單次觸發(fā)" 的被動響應，難以實現(xiàn)真正的自適應檢索。

MemBrain 的破局點在于用 Agentic 思路重構整個記憶系統(tǒng)。它將實體提取、會話摘要生成、記憶合并、沖突消解、分層記憶壓縮等核心環(huán)節(jié)，拆解為獨立且能協(xié)同作戰(zhàn)的子 Agent—— 每個 Agent 專注自己的領域，但能根據(jù)任務動態(tài)配合。傳統(tǒng)檢索手段被 "降維" 為可調用的工具，真正的決策權交給了 Agent 之間的協(xié)作調度。

這種設計讓部署靈活度直接拉滿，還為異步記憶更新等日常工程需求預留了充足的擴展空間。

實體與時間：記憶管理的 "細節(jié)功夫"

精確提取歷史文本中的實體與時間戳信息，是記憶系統(tǒng)實現(xiàn)關聯(lián)分析與邏輯推理等高階任務的基石。然而，現(xiàn)有方案在長時記憶的數(shù)據(jù)組織模式與細粒度上下文管理上仍顯粗放 —— 時間信息捕捉不夠完整、實體關聯(lián)不夠清晰、時間與事件的組織方式不夠規(guī)范，這些細節(jié)上的不足限制了系統(tǒng)在復雜下游場景中的性能上限。

MemBrain 在前沿探索的基礎上，針對長時上下文進行了深度的結構化工程優(yōu)化。通過精細化的字段設計與上下文對齊機制，在實體提取完整性、時間戳規(guī)范化、數(shù)據(jù)結構清晰度等多個細節(jié)層面持續(xù)打磨，確保了記憶數(shù)據(jù)的高保真度與檢索時的高度相關性。

適配大模型原生能力，深度參與推理

很多研究者喜歡用圖結構來描繪記憶網絡 —— 畢竟現(xiàn)實世界中，實體之間的關系確實錯綜復雜。

但這里有個有趣的矛盾：當下主流基座模型的底層架構，更適配線性或樹狀的信息排列方式。這種架構范式與圖結構表征之間的天然差異，帶來的后果是：現(xiàn)有的圖數(shù)據(jù)庫記憶系統(tǒng)在查詢時，還是主要依賴傳統(tǒng)圖算法在唱主角，LLM 只能在一旁 "看戲"，無法深度參與圖推理。結果就是經常發(fā)生明顯的語義轉化損耗 —— 就像信息在傳遞過程中不斷 "失真"。這無疑限制了 LLM 在復雜記憶推理場景中的真正實力。

最近備受關注的 Anthropic 推出的 Skill 機制，采用 "一切皆文件" 的設計哲學，把文件按需加載到上下文中。MemBrain 通過優(yōu)化這一思路：雖然不用圖結構，但把相關信息組織成可按需加載的 "語義單元"—— 就像把散落的知識點打包成一個個 "信息包"，LLM 可以直接打開閱讀，而不需要經過復雜的圖算法轉換。這樣既保留了信息之間的關聯(lián)關系，又讓 LLM 能夠深度參與推理，在推理時隨用隨取，靈活檢索和組裝知識。

為什么是創(chuàng)業(yè)團隊 Feeling AI？

是什么讓這樣一支成立不久的初創(chuàng)團隊半路殺了出來，一舉拿下多項基準的 SOTA？

Feeling AI 的創(chuàng)始人戴勃，是生成式 AI 領域的青年科學家、香港大學的助理教授，他曾在 NTU 和上海 AI 實驗室任職，擔任生成式 AI 團隊的負責人。戴勃博士畢業(yè)于香港中文大學，在開源社區(qū)爆火的視頻生成模型 AnimateDiff，以及 CityNeRF、Scaffold-GS 這幾項工作都是他的代表作，AnimateDiff 可以說引領視頻生成走向商業(yè)化的關鍵工作，據(jù)傳多家大廠曾開出天價吸引其加入。

但低調創(chuàng)業(yè)的戴勃并沒有選擇在視頻生成領域下鉆，而是在 2024 年就押注了世界模型。戴勃帶領的核心團隊來自清華、港中文、NTU 和米哈游、英偉達、商湯等，團隊更是不乏畢業(yè)于清華姚班的天才少年。

但作為國內最早在世界模型和 3D 動態(tài)交互方向進行嘗試的團隊，為什么要做 Agentic Memory？答案或許藏在其官方發(fā)布的一張海報中。

他們把世界模型的實現(xiàn)分成了 InteractBrain（理解、記憶與規(guī)劃），InteractSkill（能力與執(zhí)行）和 InteractRender（渲染與呈現(xiàn)）三層，MemBrain 所代表的記憶能力則是 InteractBrain 的關鍵組成部分之一。當 OpenAI-o1、DeepSeek-R1 為 AI 帶來的推理能力還不足以為物理世界的智能系統(tǒng)達成閉環(huán)時，機器像人類一樣與動態(tài)變化的物理世界共存的能力就至關重要。

也許 Feeling AI 試圖回答的正是 —— 如何讓世界模型真正走向動態(tài)世界的智能交互，而與世界動態(tài)交互的核心也將由 “人” 變?yōu)?“人和 AI”。如此看來，在 Agentic Memory 的能力上為世界模型構建護城河也十分合理。

結語

隨著 Mem0 等項目在 GitHub 上迅速走紅，DeepSeek 的論文劍指大模型記憶，以及 OpenAI 頻繁更新其 “Memory” 功能接口，一個明確的信號已經釋放：在 2026 年的 AI 版圖中，誰能解決 Agent 的 “隨時失憶癥”，誰就能掌握通往 AGI 的下一把鑰匙。

如果說算力是 Agent 的心臟，那么 Memory 正被公認為它的靈魂，智能大腦正在走向卓越記憶能力的比拼。正如 Nvidia 科學家 Jim Fan 所言，Agent 的下一步演進不在于參數(shù)量的無限堆砌，而在于通過高效的技能庫索引與自我反思機制，讓 AI 在面對全新、更復雜任務時，能夠直接檢索并復用此前探索中積累的技能與經驗教訓。隨著 Memory for Agentic AI 成為基礎設施層的核心標配，我們正在見證 AI 從 “無狀態(tài)” 的單次調用，向 “有意識” 的持續(xù)進化跨越。

強大的記憶能力以及適配模型原生的層級化記憶系統(tǒng)，意味著 Agentic AI 正從模型能力逐步走向用戶體驗層面的全面升級，這也將成為 AI 與用戶共生、共創(chuàng)的新起點。

MemBrain1.0 Github https://github.com/feelingai-team/MemBrain