这两年我们谈 Agent最常见的关键词是工具调用、长程规划、浏览器操作、代码执行。但真正把 Agent 放进长期任务里很快就会遇到一个更基础的问题它到底怎么“记住”过去今天大多数 Agent 的记忆系统本质上还是外挂模块把历史对话、任务轨迹、文档片段存进数据库需要时再检索出来塞回上下文。这个方案好用也足够工程化但它有一个天然割裂模型本体负责推理记忆系统负责存取两者并不是一起学出来的。新论文Metis: Memory Foundation Model想往前推一步如果多模态能力、推理能力都可以逐渐内生到 foundation model 里那么“记忆”能不能也变成模型的原生能力论文把这个方向称为Memory Foundation Model。外挂记忆的问题不只是检索不准RAG 或 memory bank 这类外部记忆系统最大的优点是简单清晰文本可以被存储、索引、召回工程上也容易调试。但从 Agent 的角度看它至少有三类问题。第一架构上是解耦的。外部记忆通常在模型之外模型并不知道这些记忆未来会怎么被用只能被动接收检索结果。第二优化上是割裂的。记忆写入、检索、重排、摘要往往是独立模块很难和模型的生成目标端到端对齐。第三效率上有额外成本。每次都要做存储、检索、拼接上下文长历史下延迟和存储都会变重。Metis 的核心判断是记忆不应该只是一堆被检索的文本而应该是模型内部持续演化的状态。Metis 到底改了什么论文把“原生记忆”定义成两个东西。第一个是native memory state模型内部有一个持久、动态演化的记忆状态。它不像普通上下文那样一次输入、一次用完而是可以跨多轮推理保留下来。第二个是native memory procedure模型通过自己的前向计算完成记住、更新、遗忘和读取而不是把这些操作交给外部数据库和检索器。Metis 是这个想法的第一个原型。它在 Transformer 里加入 Metis Block把历史信息压缩进模型的 native memory state再通过 memory attention 访问这些状态。这里有一个关键点Metis 在线维护记忆时不需要反向传播。推理时模型权重保持冻结记忆状态通过标准前向计算自动变化。换句话说它不是每次交互都微调模型而是在模型内部维护一组会随交互更新的状态。这让它和两个常见方案区别开来。一种是长上下文直接把历史都塞进去。优点是信息完整缺点是上下文越长越贵。另一种是外部 RAG先检索再拼接。优点是工程成熟缺点是检索和生成之间仍然有断层。Metis 想做的是第三种把历史压进模型内部状态让模型自己学会什么时候写、写什么、怎么读。训练记忆本质上是在训练“未来会怎么用”这篇论文里有一个很值得展开的观点记忆存储不是简单复制过去而是预测未来。因为在写入记忆的那一刻系统并不知道后面会问什么。真正有用的记忆不是把所有细节原样保存下来而是把未来可能被用到的信息压缩成可访问的状态。所以 Metis 构造了大规模 memory-specific training data并设计多种训练目标包括记忆重建、记忆操作和正则化目标。它希望模型不仅会保存信息还能执行更新、遗忘、反思等操作。这点对 Agent 很关键。一个真正长期运行的 Agent不可能无限保存所有轨迹。它需要知道哪些经验值得沉淀哪些临时状态应该忘掉哪些信息需要被合并成更抽象的知识。否则记忆系统越大反而越容易把模型拖进噪声里。实验说明了什么论文在 memory operation、memory-based QA、OOD memory tasks、memory capacity 等任务上评估 Metis。结果大致支持三个结论。第一在没有完整上下文的情况下普通 Qwen3.5 backbone 在一些记忆问答任务上几乎拿不到有效结果Metis 因为保留了原生记忆状态可以显著恢复历史信息。第二模型规模变大后Metis 的记忆能力也会增强。论文报告的 Metis-27B 在多个 memory-based QA 类别里表现最好。第三效率上它不是简单牺牲速度换能力。论文分析认为原始 attention、memory attention 和 memory storage procedure 可以较大程度并行在长上下文场景里Metis 相对 full-context 有潜在延迟优势。不过这里也要冷静一点full-context 在信息完整时仍然很强Metis 更像是在探索“不能无限塞上下文”时的另一条路线而不是直接宣判长上下文或 RAG 过时。它对 Agent 系统有什么启发我觉得 Metis 最值得关注的不是某个 benchmark 分数而是它改变了我们看 Agent 记忆的方式。过去我们常把记忆当成工程模块数据库、向量检索、摘要、重排。Metis 把记忆重新拉回模型架构和训练目标里记忆是一种模型能力而不只是外围工具。这对未来 Agent 系统可能带来三个方向。第一长期个性化。模型可以在不改权重的情况下维护用户或任务相关状态。第二低延迟长程任务。不是每一步都重放完整历史而是用内部状态承载必要信息。第三混合记忆系统。短期高频信息由 native memory 处理长期可审计知识仍然放在外部存储里。论文自己也没有否定外部记忆而是更像给出一个互补方向。还不能忽略的边界Metis 现在更像一个研究原型而不是成熟产品方案。首先原生记忆的可解释性和可控性仍然困难。外部数据库至少能看到存了什么模型内部状态则更难审计。其次隐私和安全问题会更敏感。如果模型能把交互信息压进内部状态就必须回答什么该记、什么必须忘、如何验证已经忘掉。最后它的训练和架构改动成本不低。相比直接给现有模型外挂 RAGnative memory 需要更底层的模型设计和训练配合。但这篇论文的意义在于它把 Agent 记忆从“上下文管理技巧”提升成了“基础模型能力”的问题。如果未来的 Agent 真要长期工作、跨任务学习、积累经验那么记忆很可能不能永远停留在外挂数据库阶段。Metis 给出的答案还只是第一步但方向值得认真看。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】