AI记忆单价低至0.015元，厂商争抢的却是工作经验

本文作者为冯伟冯大白，钛媒体经授权发布。

阿里云PolarDB Agent Memory标准版在中国内地，每万条记忆每小时的计算与存储资源费用是0.015元。记忆数量维持在一万条不变，30天下来对应10.8元，模型调用则单独计费。AI记忆的基础费用已经低到很难跟“天价”扯上关系。

盯上这门生意的公司反倒越来越多。ChatGPT、Claude和Grok都已具备跨对话的个性化能力；数据库厂商与独立服务商则想把记忆输送给更多应用。Mem0在2025年10月公布种子轮和A轮合计2400万美元融资，同期披露的API调用量从当年第一季度3500万次涨到第三季度1.86亿次。

各家争夺的，是用户和企业已经攒下来的东西：一遍遍交代的要求、处理过的异常、被否掉的方案，还有做到一半的活。存几句话花不了多少钱，可要让这些积累在下一次任务里接着发挥作用，就会影响用户把工作交给谁、愿不愿意换一家服务。

记忆的价值，终究得在连续的工作里兑现。

聊天记录还不是工作经验

AI应用能存下大量对话，长上下文模型也能一口气读入很多文字。问题是完整历史里既有最终决定，也有被放弃的方案；既有长期偏好，也有只用一次的要求。下一项任务开始时，模型还是得判断哪些内容相关、哪个版本算数。把材料存下来，只是其中一步。

阿里云AgentRun的做法，是把长期记忆、会话历史与会话状态分成三块管理。长期记忆存跨会话的偏好和信息，会话历史保留完整消息，会话状态记录当前任务的变量与进度。用户说“请继续”，系统既要清楚他一贯的要求，也要知道这次做到哪儿，不能把上一回的完成状态套到这一次头上。

项目一变，这种差别就格外明显。某个方案讨论后被否决，历史里照样留着大堆支持它的理由。只按文字相似度检索，旧方案可能比一句简短的取消决定更容易被翻出来。系统就算准确找回了原话，也可能接着去做一件已经不该做的事。记忆得保留决定之间的先后和适用范围，才有可能变成经验。

LongMemEval基准设了500个问题，考察信息提取、跨会话推理、时间关系、知识更新，以及答不上来时能不能克制。它的小规模版本里，单条测试历史约有40次会话、11.5万Token。找出一个名字，跟辨认这个人后来换了职责，是两码事。持续使用的AI，要面对的是后一种变化。

少读材料，也要少丢条件

把历史一遍遍喂给模型，最先撞上的是输入和等待成本。Mem0团队2025年的LoCoMo实验中，完整上下文方案每次查询约用26031 Token，Mem0记忆方案为1764 Token；总响应时间的第95百分位分别是17.117秒和1.440秒，也就是约95%的请求能在对应时间内完成。

可完整上下文的模型裁判评分是72.90%，Mem0为66.88%。这组结果摆出的是明确的取舍：检索记忆大幅压低了输入和等待，完整历史在该次实验里评分仍然更高。少读材料有好处，也有漏掉条件的风险。

怎么兼顾效率和细节，才是更该投入的地方。Redis研究团队2026年发布的LongMemEval测试中，只用提炼记忆，六类任务平均准确率为71.2%；原始片段与提炼事实一起检索，则达到86.1%。该次测试包含500个问题，采用模型裁判评分，两种配置相差14.9个百分点。

提炼事实适合合并跨会话信息、梳理变化，原始片段则保住那些容易被摘要省掉的名字、日期和具体措辞。一次例外当时可能不起眼，下一回却恰好决定任务能不能执行。留住原始内容，等于给后续判断留了回查的余地。两项研究用的测试和配置不同，一个回答少读材料的代价，一个回答怎样减少信息损失，不能拼成不同产品的排名。

企业最后要算的账，还包括维护和返工。相同要求被后续任务多次调用，前期整理才有机会反复派上用场；文档改得越勤，抽取、索引和更新的投入也跟着涨。缓存能压低重复输入的价格，检索本身也要算钱，账单不会只剩一项存储费。

更大的损失可能出在答案生成之后。漏掉一个交付条件，接下来就得补问、重做和人工修正，省下的Token全被返工吃掉。采购者真正在意的，是一项工作从交给AI到完成，总共花了多少时间和费用。记忆服务只有把这笔总账做得更漂亮，低存储单价才有商业意义。

三家AI都在积累对用户的了解

这些技术选择已经落进日常产品。ChatGPT能用历史对话、保存的记忆和自定义指令；在支持的套餐、地区与设置下，还能用已保存文件和连接应用的内容。它会给出记忆摘要，并可在回答下方展示参与个性化的来源，用户能回看或纠正，但摘要和来源都不是完整清单。

这么一来，了解用户的材料就不只来自聊天窗口了。邮件里的项目变更、存下的工作文件，都可能帮AI接续任务。来源一多，纠错也更麻烦：改掉一句总结，旧信息还可能留在某封邮件或某份文档里。用户得找得到错误出自哪里，服务商则要处理不同来源之间的关系。

Claude把按主题保存的记忆和历史对话检索分开提供。当前版本能在聊天过程中存记忆，也能搜旧对话，检索会显示成工具调用。Chat与云端Cowork可以共用记忆，本地运行的Cowork暂不适用；项目与账号记忆能不能互通，取决于相应设置。

这种安排把“记住要求”和“回查原话”连了起来，也让积累有机会跟着工作流转。用户从讨论转到执行任务，先前交代的文风和项目背景可以接着用。它和前面的研究方向是相通的，但产品有这些入口，不等于每次都能正确提取和调用信息，实际效果还得在连续任务里检验。

Grok官网同样列出了跨聊天记忆，能记住偏好和过去的对话。X端另有一套个性化机制：在相应授权下，公开资料、帖子、互动和兴趣等信息可用于个性化，并配有独立控制项。这跟实时搜索网页、公开帖子的能力用途不同。搜索补的是外部正在发生的事，个人记忆帮系统理解用户此前的要求和决定。

三家厂商在信息来源和管控方式上各有做法，但目的都一样：让用户少费口舌重复交代。需要说清楚的是，这里谈的是产品如何保存和使用上下文，而不是模型把每条个人信息永久写进权重里。用户感受到的那种连贯，其实是模型和外围系统一起干出来的活。

独立记忆服务因此多了一层竞争压力。需求要是只停在记住职业、文风和常用工具这些事上，平台自带的功能或许就够用了。第三方还想收费，就得往更复杂的活里走：多个模型能不能共用同一份经验，不同成员能不能按权限调用，业务变了以后能不能及时纠正。偏好保存成了基础能力之后，真正难被替代的是把工作积累可靠地复用起来。

企业要的是能修正的经验

数据库厂商在这件事上有自己的位置。企业要AI记住的信息，往往本来就挂在业务上，改动也发生在业务系统里面。

Oracle的Agent Memory产品说明里举过一个物流场景：工厂每周需要特定物料，运输人员要有相应资质，交付得赶在指定时间前完成。这些要求得在多次排程中留住，还得跟着业务更新。记住一句话之后，系统必须清楚它对应哪家工厂、哪批货物，以及什么时候有效。

假如记忆服务另外存了一份要求，业务系统改了，这份记忆也得跟着变。不然的话，AI可能很熟练地安排一条早已过期的流程。Oracle把更新、到期和级联删除都列为产品能力；腾讯云Agent Memory则把个人、智能体与团队记忆分开，团队共享需要明确授权，默认是私有的。

所以一条经验能不能复用，光看内容对不对还不够。某个客户的特殊要求，一旦丢了归属，就可能被用到别的客户身上；一次临时例外，要是被存成团队通用规则，后面的智能体可能一直照着做。记忆让正确做法容易延续，也会让错误传得更久。

权限、版本和出处，就这样成了服务的一部分。使用者发现问题时，得先分清是原始信息错了、提炼时漏了条件、检索选错了版本，还是模型理解出了偏差。不同环节对应不同的修法。换一个更大的模型，并不能保证前面保存和检索的问题一起消失。

能把这几层关系处理好的记忆服务，才有可能成为企业长期使用的基础设施。客户掏钱买的不只是存了多少条信息，还包括更新以后旧规则能及时退出、出了错可以追查、授权撤回后不再继续传播。工作交得越深，这些管理能力的价值就越难用存储单价来衡量。

用户能把记忆带走多少

长期积累会影响平台之间的竞争，不过它未必只能留在原地。

记忆的导入与导出，Claude 都支持了。用户可以把别家 AI 整理好的记忆文本粘进来，由 Claude 抽取、存成条目；反过来，自己攒下的 Claude 记忆也能导出。导入目前还挂着实验标签，不一定能把所有内容都吃进去，但至少有一部分偏好和经验，已经能跟着用户一起搬家了。

服务商留住用户的方式因此变了。一份文风偏好可以复制，几个常用项目的介绍也能重新输入；单靠保存这些条目，很难建立牢固的长期关系。真正难迁移的，可能是支撑经验生效的整套安排。

文字能写明某个客户有特殊要求，却不会自动附带原始邮件、后来撤回要求的记录、团队授权和正在执行的任务状态。搬到另一套系统后，哪些记录应当被检索、哪个版本优先、谁能看到什么，都得重新成立。导出完成，不等于同一项工作已经能按原来的方式继续。

这也是独立服务商可以争取的空间。平台想用连续体验留住用户，跨模型的记忆服务则要证明：换了模型或应用之后，积累仍能可靠使用。企业可以据此把经验留在自己控制的系统里，再挑合适的模型来完成任务。双方竞争的重心，从保存信息转向了如何组织和交付这份积累。

落到具体处，AI 记忆值钱的地方就这几样：纠正过一次，后面少返工；处理好一回，同类任务跟着受益；一条过时的要求，能及时从决策里退出去。存下这些东西，基础开销可能很低；可要把它们变成靠得住、跟得上、带得走的工作能力，就得长期投入服务。用户肯一直掏钱，买的是这些积累已经改变了的那部分工作效率。