為AI智能體構建持久化內存的經驗教訓

mem9的故事始於2026年3月一個客户提出的簡單問題：讓智能體記住事情。我們沒有遵循常規的路線圖或架構審查，而是直接構建了一個粗糙的原型，並在客户面前展示。一旦人們看到智能體能夠記住通常會被遺忘的信息，對話立即從“有趣的能力”轉變為“市場需要的產品”。

在最初幾天，我們迅速搭建了核心系統：一個Go服務器、內存API、TiDB Cloud作為存儲層、搜索、認證、速率限制以及首批插件集成。隨後，支持範圍迅速擴展到OpenClaw、OpenCode和Claude Code等智能體環境，同時改進了 onboarding，建立了多租户基礎，並上線了第一個mem9.ai網站。我們不是按順序從基礎設施到產品再到增長，而是所有軌道同時推進，因為一旦價值顯而易見，猶豫比前進更昂貴。

早期我們意識到，智能體內存不能僅僅被視為一個存儲特性。許多討論仍將內存問題框定為“存儲加檢索”，但這過於膚淺。真正的挑戰不在於信息能否被存儲，而在於正確的信息是否在正確的時間以正確的量返回。召回太少會遺漏關鍵細節，召回太多會污染上下文。隨着內存增長，如果召回變得嘈雜，信任就會消失。因此，關鍵在於精度，而非持久化。

這一洞察推動mem9迅速超越基本的內存存儲，轉向一個更具意見的系統，涉及攝取、提取、協調、排序和檢索。我們選擇了以服務器為中心的架構，以便集成保持輕量，而內存邏輯可以集中演進。這使我們能夠改進核心行為，而不是將複雜性推送到每個插件或運行時中。

下一個教訓是：僅有內存API不足以構成產品。人們不僅希望內存存在，還希望看到、檢查、信任、糾正並最終塑造它。因此，我們構建了使內存可理解的界面：會話視圖、時間線視圖、分析工作流、篩選器、預覽和洞察層。這些幫助用户理解不僅記住了什麼，還理解了為什麼重要。這項工作逐漸演變成“你的記憶”，不僅是UI，更是讓長期記憶變得具體而非抽象的方式。

在後端，這一轉變要求不同的工程方法：分類學、分析質量、去重、響應性和更好的報告工作流。第一階段證明了內存能夠工作，而這一階段使其變得可理解和可信。同時，我們還構建了所有讓產品易於被發現的細節：公共網站、文檔、分析、歸屬、聯繫流程、更好的 onboarding，以及最終的API文檔。這些變化雖然不引人注目，但卻是產品增長的關鍵。

一旦用户開始在實際工作流中依賴內存，直覺便不再足夠。我們需要衡量召回質量是否改善或退化。因此，我們將評估視為產品基礎設施，構建了評估框架，將較早的多輪對話數據集適配到現代智能體場景，並創建了反饋循環以指導工程決策。基準測試從學術評分變為產品真相的工具，幫助我們超越直覺，進入可迭代的改善循環。

在構建mem9的過程中，我們還發現內存不應完全不可見。用户將內存體驗為連續性，而非索引。他們關心繫統是否感覺瞭解他們，是否能隨時間連接線索，這種連續性是否可信而非詭異。因此，我們持續投資於可視化，例如Memory Farm——一個像素藝術風格的視覺記憶探索器，記憶如同植物在花園中生長，按主題聚類並通過關係連接。這種設計背後的嚴肅思考是：當用户能以更直觀的形式看到模式、聚類、歷史和關係時，內存變得更易理解。

從外部看，智能體內存是一個熱門類別，但從內部看，它充滿了艱難的邊緣案例：大上下文窗口仍然有限，重要事實被近期噪音掩蓋，樸素檢索帶回錯誤信息，重複浪費token，質量隨內存增長而退化。一旦召回開始顯得隨機，用户信心迅速喪失。mem9從第一天起就構建在這些問題之中，因此產品如此迅速地從原始持久化轉向攝取、協調、混合檢索、排序、分析、基準測試和編排。

隨着構建，我們越來越確信智能體的長期內存應超越純文本檢索。在多模態用例中，內存的含義發生變化：一個有用的內存系統不僅應檢索多年前的句子，還應能檢索圖像、音頻片段、交互和周圍上下文。這一方向塑造了我們的很多思考，尤其是與drive9（我們新的文件和工件產品）的結合。

mem9從一個快速原型發展成為擁有超過一萬用户的產品，僅用了兩週多時間。這段旅程更像一個壓縮的創業年，而非常規軟件項目。我們學到的最重要的東西是：智能體內存不僅關乎存儲，更關乎幫助智能體決定什麼應該保留、什麼應該浮現、什麼應該保持安靜。這是一個工程、產品與人類信任的交匯點。