本能论：为什么记忆正在成为护城河

太长不看版：我的假设是，Instinct 之所以让人感觉神奇，并非源于某种难以复制的智能引擎，而是其记忆架构使然。正如 ChatGPT 标志着基础模型时代的开启，Devin/Claude Code 标志着自主执行时代的到来，Instinct 则预示着第三波浪潮：基础模型已趋于商品化，执行能力正迅速走上同样的道路，而由效用驱动的记忆正成为真正的亮点与护城河。

早在 2023 年，诺亚和我花了大约三个月时间琢磨一个简单得有些尴尬的想法：“如果让一个 LLM 智能体回顾自身错误并进行反思，会发生什么？”那个实验后来成了 Reflexion，最终也自成一派。但说实话，我们起初并非有意打造一个复杂的推理引擎，那只是为了让 AI 拥有工作记忆以进行自我批判——因为我们觉得，批判能推动下一次尝试更接近正确。请记住这一点，我们会在文末回到这个想法。

在继续之前，有必要先打个预防针：Instinct 是一款出色的产品，诺亚曾是我的学生，我在 MIT 期间与他共事，此后也保持着零星联系，但我对 Instinct 的内部机制并无内幕了解。同时，我对他作为我的学生，以及作为一位长期与智能体及其记忆打交道（尽管面向企业而非个人场景）的人，显然带有偏见。以下内容纯粹是我基于亲身体验，试图理解这款神奇产品的个人尝试。

看着人们用 instinct 完成的各种任务，确实令人着迷，也有点奇怪，因为单独来看，它所做的每件事相比 hermes 或 openclaw 都不算特别惊人，那为什么人们会高呼“看看这个突破性智能体”呢？我认为表面上看是这样，但只有当你稍微摆弄一下这个工具时，才会体会到差异；而且随着你玩得越多，不像其他智能体那样似乎会退化，这个反而不会，它似乎在某种程度上变得更好，线索就在这里。

引擎的商品化

我有不同的看法，我不认为 instinct 的核心智能体循环可能特别特殊。我这么说是因为标准的智能体执行已经商品化了。此外，任何大型基础模型配上哪怕勉强称职的工具使用框架，都能执行 API 调用、遵循指令并生成多步计划。而且，虽然权限、计算机使用的细节和执行可靠性可能有所不同，但其执行已迅速变成一个工程问题，而记忆才是稀缺的架构资产。

我的工作假设是，Instinct真正的突破在于一个笔记本，或类似之物，由它的代理随身携带：这是一种在底层运行的原则性记忆架构。这是我个人首次体验到，在我自己的代理之外，一个普通代理能坐落在如此出色的个人记忆架构之上。而且，如果我对笔记本运作方式的判断正确，这便解释了Instinct最令人费解之处——不是当你提问时它做什么，而是当你不提问时它做什么。要理解为何笔记本是承重墙，不妨看看玩具代理与长期运行代理之间的差异。事务性代理运行几个操作回合，获取答案，执行一些工具调用，然后终止。而长期运行的代理必须在现实世界中，跨越数天乃至数周的异步摩擦中生存。以最平凡的任务为例：降低有线电视账单。打电话，等待接通，听一个模糊的挽留优惠，等待回电，几天后再查，然后升级处理。代理执行这类长期任务的难点不在于运行，而在于等待；在于保持状态、保持方向感，并在无事发生时知道什么才是重要的。

记忆是一种编译器，而非数据库或图谱

人们曾试图通过将记忆视为数据库来解决这些问题：存储每一份记录和收据，寄希望于某种蹩脚的向量搜索或图谱RAG能在日后捞出所需信息，却忘了录音机不等于记忆。博尔赫斯写过关于此事的定论性故事《博闻强记的富内斯》，那个什么都不忘的人，恰恰因此无法思考。思考的行为在于遗忘差异、进行概括、抽象化。如果你记录下每束射入眼睛的光子、每缕传入耳朵的声波，你得到的不是理解，也不是大脑，而只是一片粉饰过的噪音。

没有效用函数，记忆就毫无意义——它本质上是对“明天什么会有用”的一场积极押注。这不仅仅是程序员的比喻，它反映了一种被广泛接受的认知神经科学观点，由理查兹和弗兰克兰等研究者大力倡导，他们曾简洁地论证道（我转述大意）：“记忆的目的不是高保真地传递过去，而是支持未来的明智决策。”这正是健康大脑如此努力遗忘的原因。当你我度过日常生活时，我们丢弃几乎所有的噪音，将剩余的经历压缩成几个持久的事实，并存储它们，因为我们不断在押注它们将来会有用。真正的记忆不是蛮力检索，而是通过两种不同的效用函数，主动而自律地选择丢弃什么：

如果某个行动价值高、经授权且可逆（例如更新日历中的预约），智能体就静默执行。如果它影响重大或不可逆（例如发送电子邮件或发起付款），它就会询问。如果净预期价值较低，数学上的最优行动就是保持沉默。

那么，Instinct 实际上在做什么？

基于我对其行为的所有观察，我相信——当然我可能大错特错——这个本能代理在后台悄然运行着一个持续性的、基于效用的循环。它使代理能够避免在推理时反复压缩不断增长的对话，或将原始历史记录上的检索（RAG、图或其他方式）当作记忆。相反，代理在消化个人生活、文本、工具调用、入站回执等事件流时，会提出三个问题：

这些答案被编译成一个多层状态模型：

这种方法能确保智能体在行动时，不会因上下文腐化而陷入困境，也不会重新读取庞大的语料库，而是能从一个干净、整合的状态中即刻恢复。我敢打赌，记忆系统也深谙遗忘的机制。账本本身很可能只支持追加写入，但从中推导出的每一条信念都带有来源信息——包括对话片段、来源及推理过程。当你更新偏好或撤销一个关联来源时，传统RAG系统会陷入困境，即使删除了向量，其推理仍会残留在摘要和派生的图谱边中。一个显式的来源模型配合时间检查，能让系统干净地使整个依赖分支失效，淘汰过时事实，而不留下幻觉的幽灵。

现在，这种架构最激动人心的后果是：由效用驱动的压缩记忆，是实现真正智能体主动性的关键。

如今几乎每个智能体都纯粹是被动反应的——你戳它一下，它才回你一下。其他大多数则通过粗糙的定时器和预定检查来模仿主动性，形成一种可辨识的模式。因此，矛盾的是，你添加的主动性功能越多，这个东西感觉起来就越不主动。自然的主动性不是你在智能体循环上硬加的一个定时任务。记忆提供了必要的基质，但真正的主动性源于整个技术栈的协同：有状态记忆 + 持续事件观察 + 显式承诺追踪 + 风险感知的行动策略。 这需要一种对状态差异的动态感知。所以，当你熟睡时，如果一封邮件到达，后台引擎会消化它，并注意到与备忘录之间的差异，从而决定采取行动或保持沉默。

这三个结构无缝协作：草稿板检测变化，习惯地图判断干扰程度——即这个状态变化是否值得唤醒你，还是留到早晨再作记录？最后，账本在代理解释自身时提供凭证。现在，注意这个推论，因为这是我觉得最优雅的部分：一个有效效用函数的最深证据并非恰到好处的提醒，而是沉默。一个知道何时不打扰的代理，比总是打扰的代理更懂你。

站在领域巨人的肩膀上

现在，更精彩的部分来了，值得特别指出。虽然先前的系统奠定了必要的基础，如具有重要性反思的生成式代理、MemGPT和Letta的分层及睡眠时记忆，以及近期如Mem0和A-MAC对记忆准入的形式化，但行业多年来一直痴迷于检索。前沿正在向流程更早的阶段移动：决定什么值得准入，如何将其编译为可变状态，以及何时保持沉默。我唯一见过类似行为的地方，是在我们Sentra（我的初创公司）内部的企业代理中。如果我对Instinct的判断正确，我们在解决截然不同的问题时得出了相似的结论。值得称赞的是，Noah将Instinct指向了个人代理，这是我们完全忽视的领域，因为我们专注于企业代理和共享组织记忆的问题。

这种框架也使我所写的一切成为可检验的预测，而非空泛的感觉。如果我是对的，应该有三点成立：

关于数据收集、屏幕捕获和训练许可的讨论，最后再补充一点。尽管整个行业的服务条款因用户反弹而每周都在变化，但架构上的核心观点依然成立：一个基于效用驱动编译的系统，从根本上就与数据最小化原则相契合。当你提取语义状态并丢弃原始数据流时，持久的事实成为资产，而未压缩的冗余信息则成为不必要的负担。积极的编译和选择性保留可以成为信任的核心故事。

笔记本越好，需要任何人保留你生活的部分就越少。阁楼模式不仅造就了更差的智能体，也带来了更差的隐私，而且取决于你选择的检索机制有多糟糕，它还可能成为技术债务。随着这个类别逐渐成熟——我希望它为了我自己也能成熟——积极的遗忘将成为主要的信任故事，而不是隐藏在细则中的限制。

第三波浪潮
三年前，当我和Noah在玩Reflexion时，感觉那像是一次处理一个任务的技巧：失败，将失败消化成简单的文字，然后重试。如果我的判断没错，Instinct最引人注目的地方在于，一个相关的直觉出现在了完全不同的规模上：反思持续运行在混乱的个人生活之上，而不是单一的基准测试片段。看到他如此深入地追寻个人记忆，真是令人由衷赞叹，尤其是知道我们最早的一些对话是从哪里开始的。如果我上面描述的内容确实是他所构建的（只有时间能证明），那么我们都得出了关于记忆的完全相同结论，却将其应用于截然不同的世界，这将是一个令人愉快的巧合。我这么说，是因为我们在Sentra的内部智能体中每天都看到完全相同的表现，我们采用了上述方法，但将其指向了企业智能体。不过，那是另一个故事了 :-)

这指向了当前AI周期中一个更广泛的演进。第一波浪潮是关于能力：基础模型让机器在语言思考上变得出人意料地能干。第二波是关于执行：像Devin和Claude Code这样的系统将这些模型包裹在循环中，使其能够规划、使用工具并完成工作。第三波则是关于状态：智能体在现实世界中持续存在，足够久以了解发生了什么、当前什么重要、接下来该做什么。而且，这一波才刚刚开始，过去一年人们一直在谈论它，称之为循环工程、图、上下文图以及一大堆绕弯子的说法。现实是，记忆是一个编译器，不是数据库，不是图，也不是文件系统。我相信Instinct恰好向我们展示了为什么这看起来如此神奇。

企业版本应该更进一步，个人智能体只需要持久记住一个人。而一个组织则需要跨越成千上万的人类和智能体，维护由通信、记录系统、文档以及更多内容构建的个人和共享状态。这与上述架构非常相似，只是在其上叠加了更多花哨的功能。为一家两万人的公司构建这一系统的实地笔记稍后会分享，但那是另一个故事了 :-) 。

更大的图景是，持久的问题不再仅仅是教机器如何思考或如何行动。而是教它们世界当前是什么样，以及什么值得记住。

----

注：我是Sentra的CEO，处理这里写到的部分问题。在Senta，我们正在构建一个单一的基础层，即一个共享的“记忆”（按文章中的定义），旨在实现公司大脑：整个组织的共享、活模型。它吸收组织内所有结构化和非结构化数据，同时服务于人类和智能体。