大模型的知识与记忆 | TF技术前线184期回顾

“大模型的知识与记忆”聚焦一个实际问题：模型在复杂任务中如何理解当前上下文、保留关键经历，并在事实变化后更新已有知识。上下文工程、外部记忆系统和模型参数编辑分别提供了不同路径；本期四场分享进一步讨论这些能力如何支持长程任务与企业应用。

活动由知识画家创始人、CCF TF数据科学与知识工程SIG执委冯欣伟主持。首先冯欣伟介绍了CCF TF的宗旨和本期活动安排，再从大模型记忆的主流技术路径上下文工程谈到模型参数中的知识编辑，引出四位讲者的分享。

张宁豫：知识编辑走向持续进化。浙江大学副教授张宁豫指出，预训练让模型获得大量知识，部署后现实事实却会持续变化。知识编辑不能只让新事实被正确回答，还要考虑相关知识是否同步更新，以及其他能力是否受到意外影响。

在“大模型知识编辑与持续进化”分享中，他介绍了用于统一评测的EasyEdit，以及用门控参数记忆兼顾更新可靠性和泛化能力的WISE方法。团队还以“知识回路”分析模型内部知识之间的关联，并探索据此构造数据和指导参数更新。他认为，如何将应用中的上下文经历沉淀为模型能力，仍是持续学习需要解决的问题；模型也要识别知识的可信边界。

温德亮：让记忆进入企业智能体的工作流程。红熊AI CEO兼首席科学家温德亮介绍了记忆驱动的类人大脑记忆引擎。他指出，增加上下文长度并不会自动形成稳定记忆：多轮对话中的关键信息可能丢失，多个智能体也可能各自持有不一致的状态。为此，红熊AI用独立于基座模型参数的外部引擎组织感知、情景、工作和长期记忆。

在这套设计中，重要经历需要强化，过时、冲突或低价值信息则应衰减或遗忘；检索出的内容还要经过筛选、加权与重排，再进入模型的提示词。温德亮以客服场景说明，历史情绪和业务记录可以帮助系统调整回应，积累的经验也可整理成技能。

唐波：MemOS 2.0关注智能体的运行过程。记忆张量应用算法负责人唐波介绍，MemOS 2.0将记忆管理从对话内容延伸到智能体的执行过程。长任务中的工具调用、环境反馈和失败路径都有信息价值，但需要结合任务结果判断哪些经验值得保留。系统从执行轨迹中提取关键步骤，将有效做法抽象成可复用的策略和技能，以减少后续任务的无效探索。

面向长期陪伴应用，他展示了随交互更新的“属性树”，让角色状态在时间上保持连续。团队还探索记忆原生模型Matis与外部MemOS协同：模型学习何时新增、修改或删除记忆，外部系统保存并调度更长、更具体的内容。

余宣庆：用时序记忆支持主动预测。智悦云创/太忆TiMEM.ai创始人兼CEO余宣庆认为，零散的对话摘要难以支撑长程任务，也难解释事件之间的时间关系。

他介绍的时序分层记忆引擎，将对话片段逐级整理为主题、日报、周报和用户画像，既保存可追溯的细节，也提炼较稳定的长期特征。结合时序知识图谱和规则提炼，智能体可以依据过去的事件脉络判断接下来可能发生什么。

以工业报警为例，设备可能在短时间内产生大量信号。系统需要先过滤噪声，再追溯可能的连锁原因，并把操作员的处置反馈写回记忆，改进后续预警。余宣庆同时强调，企业落地依赖业务数据治理、本体映射和人工审核，记忆要进入实际决策流程，才能不断得到检验和修正。

问答环节中，大家围绕相关议题展开热烈讨论，各自从工业界的落地实践与学术界的理论研究视角展开，就观众提出的知识孤岛、错误记忆和跨系统协作等各类问题进行了深度交流，分享独到见解。