全球Agentic AI编排与记忆系统市场规模预计将由2027年的约439亿元增长至2030年的约1,992亿元，期间复合增长率约35.3%。这一数据表明，随着大模型基础能力逐渐成熟，行业竞争焦点正从通用能力转向个性化与长期交互。对于电商及互联网从业者而言，这意味着单纯依靠模型算力的时代正在过去，能够记住用户偏好、行为习惯并据此提供持续服务的“记忆”能力，正成为决定产品粘性和转化率的关键基础设施。
传统AI往往将每次交互视为孤立事件，而具备记忆能力的智能体则能够构建跨越时间的用户画像。这种能力不仅解决了上下文窗口有限带来的成本与计算压力，更重要的是，它让AI从“知道世界”进化为“知道你”。在长期的业务协作中，通过沉淀历史交互、任务上下文和行业知识，模型能够精准调用相关信息，从而在无需用户反复解释的情况下完成复杂任务，极大提升了用户体验与运营效率。
资本市场已敏锐捕捉到这一趋势。深圳忆纪元科技有限公司（MemoraX AI）宣布完成数亿元融资，并在半年内迅速完成三轮，节奏密集。本轮融资由尚势资本、海棠资本、仁爱资本联合领投，多家一线投资机构跟投，老股东持续加码。投资方的果断出手，不仅是对AI记忆赛道的看好，更是对MemoraX AI在技术落地与商业化路径上领先地位的认可。
在投资逻辑中，团队的技术壁垒与产业落地经验往往是决策的核心。MemoraX AI创始人郝建业博士兼具顶尖学术背景与大规模产业实战经验，这使其在解决AI记忆这一复杂工程问题时，能够兼顾理论深度与商业可行性。其“华为前首席专家”的身份及过往创造数百亿元经济效益的履历，为公司在企业级市场的拓展提供了天然的信任背书。
回顾2026年下半年，AI记忆已从技术概念演变为独立赛道。据第三方测算，该市场规模的爆发式增长印证了行业对“长期记忆”需求的迫切性。随着大模型应用深入具体业务场景，如何有效保存、检索、理解并更新海量历史信息，已成为基模之外必须解决的新命题。这不仅是技术层面的补全，更是商业模式从“一次性调用”向“长期服务订阅”转型的基石。
大模型的下一轮竞争，核心在于谁能更精准地理解并服务每一个具体用户。
产学研顶配团队的技术突围
AI创业领域并不缺乏学术大牛，但像郝建业这样能够将顶尖科研能力与大规模产业落地完美融合的创业者却极为稀缺。
郝建业博士毕业于香港中文大学，师从梁浩锋教授，并曾在麻省理工学院计算机科学与人工智能实验室、新加坡科技设计大学担任博士后研究员。这种国际顶尖的学术训练，为其在AI记忆底层算法上的突破奠定了坚实基础。
2015年回国加入天津大学后，恰逢AlphaGo引发强化学习热潮，郝建业主导成立深度强化学习实验室，成为国内最早系统开展该方向研究的团队之一。他一路成长为天津大学菁英教授、国家优青，并入选全球前2%顶尖科学家，近两年在ICML、NeurIPS、ICLR三大顶会的成果产出排名全球前10，谷歌学术引用超1.5万次。
相比纯粹的学术光环，郝建业更核心的竞争力在于其完整经历了AI从实验室走向产业的关键周期。
过去多年，他深耕强化学习与深度学习技术产业化，应用场景覆盖自动驾驶、华为ICT产品线、供应链及芯片设计等领域。在加入MemoraX AI之前，他曾任华为决策推理实验室主任、大模型算法实验室主任、华为医疗军团技术总裁及华为决策智能方向首席专家。
在华为任职期间，郝建业主导从0到1孵化多个产业项目，创造了数百亿元经济效益。进入大模型时代后，他重点负责大模型强化学习、后训练及行业模型应用，对技术落地的商业闭环有着深刻理解。
去年11月底，郝建业离开华为开启创业。他思考的核心命题是：当基模体系成熟后，下一代大模型的核心技术壁垒在哪里？
过往的产业实战经验给出了明确的答案——记忆。
郝建业指出，基模主要解决一次性计算推理，但在真实业务中，用户与智能体的交互是连续且累积的。随着交互增加，历史行为、偏好及任务上下文不断堆积，导致上下文过长、成本与计算压力激增。如何高效保存、检索、理解并在恰当时机调用这些历史信息，是基模之外必须解决的新命题。
在他看来，记忆并非锦上添花，而是智能体实现长期交互与持续进化的必备基础能力。
模型内生路线与评测基准重构
今年以来，资本已开始布局模型记忆能力，但技术路线的选择决定了产品的天花板。
韩国深科技公司Dnotitia选择了硬件路径，通过研发VDPU（向量数据处理单元）利用存内计算技术降低数据搬运开销。但这仅解决了存储层面的效率问题。
在郝建业看来，AI的“记忆”不等同于简单的信息存储。存储只是底层载体，解决“信息放在哪里”；而真正的记忆能力，核心在于解决信息如何被理解、形成、更新和调用。
当用户指令进入系统，模型需判断“什么值得记”：以何种形式记录、存于何处、何时更新维护；当场景切换时，需动态调用哪些历史信息；并结合意图精准检索相关记忆，最终提升推理能力。这是一套需要长期训练和工程积累的系统能力，而非简单的数据库叠加。
“记忆本身正在成为一种相对独立的模型能力，与基模的通用推理能力不同。”郝建业强调。MemoraX AI选择了区别于早期“外挂记忆”的“模型内生”路线：让记忆能力通过模型学习形成，而非单纯依赖外部数据库管理。
这一方向与谷歌Hope模型（设计嵌套学习循环）及Meta（将可训练记忆层嵌入Transformer）的思路一脉相承。
当记忆成为一种独立模型能力，如何科学评测其优劣成为关键。
早期的LoCoMo数据集虽然覆盖了35个会话、300个轮次，但存在人物关系漂移、事实矛盾、时间线混乱等问题。如果评测的“尺子”不准，分数便无法反映真实能力。
为此，MemoraX AI同步推进两项工作：修正优化现有Benchmark，并构建贴近真实世界的评测数据。
公司并未依赖人工构造的标准化数据，而是尝试从连续剧、肥皂剧等真实剧本中提取对话。这类数据人物关系复杂、跨度长、信息累积性强，比孤立信息更接近真实用户场景，能更严苛地验证记忆模型的稳定性。
目前，MemoraX AI核心记忆系统在南京大学与上海AI LAB联合发布的LoCoMo-Refined评测基准上取得82.65分，位列SOTA，相比第二名提升30%。
此外，MemoraX AI联合牛津大学构建并开源了基于真实剧本的Agent Memory评测基准ScriptMem，正确率达60.3%，比第二名提升40%。在AI Coding方向，公司联合牛津大学开源了SWE-context-bench基准，任务解决率达45%，比第二名提升50%，将记忆能力置于真实软件开发任务中验证。
除Benchmark外，公司还在大模型强化学习后训练、Test-Time Scaling等方向持续研究，联合高校协同创新，目前共有10篇论文入选ICML 2026，并获中国电子学会自然科学一等奖。
这些工作的共同指向，是让“记忆”从抽象概念转化为可衡量、可验证、可落地的真实模型能力。
从通用智能走向个性化商业落地
a16z合伙人Olivia Moore曾指出，未来AI产品的核心优势在于记忆功能带来的个性化体验。随着模型记住用户习惯与上下文，产品将跳过冗长的Onboarding，从第一次交互即提供高度个性化服务。
郝建业判断，随着公开数据被大模型消化，AI下一阶段将下沉至个人侧，从通用智能走向个性化智能。模型不仅要“知道世界”，更要“知道你”——了解用户的习惯、偏好、历史行为及长期目标，并在持续交互中动态更新。记忆因此成为AI实现个性化的基础设施。
围绕这一方向，MemoraX AI将记忆能力划分为文本、代码和多模态三类，针对不同数据类型构建相应记忆模型，最终整合为一套通用、完整的记忆解决方案。
在AI Coding场景中，MemoraX AI已推出面向Coding Agent的记忆产品，为Codex、Claude Code等提供长期项目记忆。在复杂、长程的软件开发任务中，Agent无需反复要求用户解释背景，从而减少上下文断档和重复沟通，在提升执行效果的同时降低Token消耗。
在交互式娱乐场景中，记忆能力对应着一致性的需求。传统AI角色难以在长时间交互后保持人物关系与故事进展的一致性。MemoraX AI的记忆引擎支持上千轮次连续交互，动态沉淀与召回关键信息，使角色能够持续记住前情，用户与AI可走向由长期记忆驱动的深度互动。
在更广泛的产业场景中，MemoraX AI已将长期记忆能力嵌入真实业务，与医疗健康、智能家居、智能穿戴、具身智能等领域客户开展合作。例如在慢病管理中持续理解用户健康状态，在全屋智能中沉淀家庭成员习惯，在智能终端中支持跨周期个性化交互。
在产业合作方面，MemoraX AI已与华为云正式签署战略合作协议，成为华为云大模型战略合作厂商中唯一聚焦长期记忆赛道的企业。
据悉，随着本轮融资落地，MemoraX AI将继续攻坚大模型长期记忆底层核心技术，夯实技术护城河；同时加速多场景落地，推进面向B端产业和C端交互式产品的记忆模块标准化研发与规模化商业化。
这场关于“记忆”的竞争，将决定AI应用在商业层面的最终深度与广度。