AI记忆服务的初始费用已降至极低，与“天价”一词难以挂钩。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为0.015元。若数量恒定在一万条，30天对应费用为10.8元，模型调用费用另计。

然而，参与这一市场的企业数量却在不断增加。OpenAI的ChatGPT、Anthropic的Claude和Grok均已具备跨对话的个性化能力；数据库厂商和独立服务商则致力于将记忆功能推广至更多应用。Mem0于2025年10月公布了种子轮与A轮合计2400万美元的融资，同期披露的API调用量从当年第一季度的3500万次增长至第三季度的1.86亿次。

各家争夺的，是用户和企业已经积累的资源：反复提出的要求、处理过的异常情况、被否决的方案，以及未完成的工作。保存几句话成本很低，但让这些积累在后续任务中持续发挥作用，却会影响用户愿意将工作委托给谁，以及是否愿意更换服务商。

记忆的价值，最终要在连续工作中得以体现。

聊天记录并非工作经验

AI应用能够保存大量对话，长上下文模型也能一次性读取大量文字。但完整历史中既包含最终决定，也包含被放弃的方案；既有长期偏好，也有一次性要求。下一次任务开始时，模型仍需判断哪些内容相关、哪个版本有效。保存材料仅完成了其中一步。

阿里云AgentRun将长期记忆、会话历史与会话状态分开管理。长期记忆保存跨会话的偏好和信息，会话历史保留完整消息，会话状态保存当前任务的变量和进度。用户说“请继续”时，系统既需了解其一贯要求，也需知晓当前进度，不能将上一回的完成状态套用到本次。

这种差异在项目变更时尤为显著。某个方案经讨论被否决后，历史中仍会保留大量支持它的理由。仅按文字相似度检索，旧方案可能比一句简短的取消决定更容易被找到。系统即便准确找回原话，也可能继续执行一件已不应做的事。记忆必须保留决定之间的先后顺序和适用范围，才有条件成为经验。

LongMemEval基准设计了500个问题，涵盖信息提取、跨会话推理、时间关系、知识更新以及无法回答时的克制。其小规模版本，单条测试历史包含约40次会话、11.5万Token。找出一个名字与辨认此人后来更换了职责，是不同要求。持续使用的AI需应对后一种变化。

减少阅读材料，也要避免遗漏条件

将历史反复提交给模型，首先面临的是输入与等待成本。Mem0团队2025年的LoCoMo实验中，完整上下文方案每次查询使用约26031 Token，Mem0记忆方案为1764 Token；总响应时间的第95百分位，分别为17.117秒与1.440秒，即约95%的请求在对应时间内完成。

但完整上下文的模型裁判评分为72.90%，Mem0为66.88%。这组结果呈现了明确的取舍：检索记忆大幅减少了输入和等待，而完整历史在该次实验中仍有更高评分。减少阅读材料有收益，但也存在遗漏条件的风险。

如何兼顾效率与细节，才是更值得投入的部分。Redis研究团队2026年发布的LongMemEval测试中，仅使用提炼记忆，六类任务平均准确率为71.2%；同时检索原始片段与提炼事实，达到86.1%。该次测试包含500个问题，采用模型裁判评分，两种配置的差距为14.9个百分点。

提炼事实适合合并跨会话信息、整理变化，原始片段则保留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，但下一次却可能决定任务能否执行。保留原始内容，相当于为后续判断留下回查材料的机会。两项研究使用不同测试与配置，分别回答了减少阅读材料的代价以及如何减少信息损失，不能拼成不同产品的排名。

企业最终需计算的，还包括维护与返工。相同要求被后续任务多次调用，前期整理才有机会反复使用；文档改动越频繁，抽取、索引和更新的投入也会增加。缓存能降低重复输入价格，但检索本身也需计算，账单不会只剩下一项存储费。

更大的损失可能发生在答案生成之后。漏掉一个交付条件，接下来需补问、重做和人工修正，省下的Token会被返工消耗。采购者真正关心的，是一项工作从交给AI到完成，共花费了多少时间与费用。记忆服务只有将这笔总账做得更好，低存储单价才有商业意义。

三家AI都在积累对用户的了解

这些技术选择已进入日常产品。OpenAI的ChatGPT可使用历史对话、保存的记忆和自定义指令；在支持的套餐、地区与设置下，还可使用已保存文件及连接应用的内容。它提供记忆摘要，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，但摘要与来源均非完整清单。

于是，了解用户的材料不再仅来自聊天窗口。邮件中的项目变更、保存的工作文件，都可能帮助AI接续任务。来源增多，纠错也更复杂：修改一句总结后，旧信息仍可能留存在某封邮件或某份文档中。用户需找到错误来源，服务商则需处理不同来源之间的关系。

Anthropic的Claude将按主题保存的记忆与历史对话检索分别提供。当前版本可在聊天过程中保存记忆，也可搜索旧对话，检索会显示为工具调用。Chat与云端Cowork可共用记忆，本地运行的Cowork暂不适用；项目与账号记忆能否互通，取决于相应设置。

这种安排将“记住要求”与“回查原话”连接起来，也使积累有机会随工作流转。用户从讨论转向执行任务时，先前交代的文风和项目背景可继续使用。这与前面的研究方向相通，但产品具备这些入口，不等于每次都能正确提取和调用信息，实际效果仍需在连续任务中检验。

Grok官网也列出了跨聊天记忆，可记住偏好和过去的对话。X端还有一套个性化机制：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，并提供独立控制项。这与实时搜索网页、公开帖子的能力用途不同。搜索补充外部正在发生的事情，个人记忆帮助系统理解用户此前的要求和决定。

三家的信息来源与控制方式不同，共同目标都是减少用户重复交代的劳动。这里讨论的是产品如何保存和使用上下文，并非模型将每条个人信息永久写入权重。用户体会到的连续性，来自模型与外围系统共同完成的工作。

这也给独立记忆服务增加了竞争压力。如果需求仅是记住职业、文风和常用工具，平台内置功能可能已足够。第三方继续收费的理由，需进入更复杂的工作：多个模型能否使用同一份经验，不同成员能否按权限调用，业务变更后能否及时纠正。偏好保存成为基础能力后，可靠地复用工作积累才更难替代。

企业需要的是可修正的经验

数据库厂商在此有自己的位置。企业需要AI记住的信息，往往已与实际业务相连，更新也发生在业务系统中。

Oracle的Agent Memory产品说明曾举过一个物流场景：工厂每周需特定物料，运输人员需相应资质，交付需在指定时间前完成。这些要求需在多次排程中保留，并随业务更新。记住一句话后，系统必须知道它对应哪家工厂、哪批货物，以及何时有效。

如果记忆服务另存了一份要求，业务系统修改后，这份记忆也需随之变化。否则，AI可能熟练地安排一条已过期的流程。Oracle将更新、到期和级联删除列为产品能力；腾讯云Agent Memory则区分个人、智能体与团队记忆，团队共享需明确授权，默认私有。

一条经验能否复用，因而不能只看内容是否正确。某个客户的特殊要求，若丢掉归属，就可能被用于其他客户；一次临时例外，若被保存为团队通用规则，后续智能体可能一直照做。记忆让正确做法容易延续，也会让错误获得更长的传播时间。

这使权限、版本和出处成为服务的一部分。使用者发现问题时，需分清原始信息是否错误、提炼是否漏了条件、检索是否选错版本，还是模型理解出了偏差。不同环节需不同修法。换一个更大的模型，不能保证前面保存与检索的问题一并消失。

能够处理这些关系的记忆服务，才可能成为企业长期使用的基础设施。客户支付的不只是保留多少条信息，还包括更新后旧规则能及时退出，发生错误可追查，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衡量。

用户能将记忆带走多少

长期积累会影响平台之间的竞争，但它未必只能留在原地。

Claude已提供记忆导入、导出功能。用户可将其他AI整理出的记忆文本粘贴进去，由Claude提取并保存为条目；自己的Claude记忆也可导出。导入仍是实验功能，未必能完整吸收全部内容，但一部分偏好与经验已有随用户迁移的路径。

这改变了服务商留住用户的方式。一份文风偏好可复制，几个常用项目的介绍也可重新输入；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，却不自动附带原始邮件、后来撤回要求的记录、团队授权与正在执行的任务状态。搬到另一套系统后，哪些记录应被检索，哪个版本优先，谁能看到什么，都需重新成立。导出完成，不等于同一项工作已能按原来方式继续。

这也是独立服务商可争取的空间。平台希望用连续体验留住用户，跨模型的记忆服务则需证明：更换模型或应用后，积累仍能可靠使用。企业可据此将经验保留在自己控制的系统中，再选择适合的模型完成任务。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。

AI记忆的高价值最终落在这些具体结果上：一次纠正能减少后续返工，一次有效处理可帮助同类任务，一条过期要求能及时退出决策。保存它们可能只需很低的基础费用，但将其变为可靠、可更新、可迁移的工作能力，则需长期服务。用户愿意持续付费的，是已被这些积累改变的工作效率。

本文来自微信公众号“冯伟冯大白”，作者：冯大白，36氪经授权发布。