当大多数大语言模型仍在与用户的每一轮对话中“重新认识”对方时，一种根本性的技术转向正在发生。2026年，几乎所有的AI应用都在追求更长的上下文窗口和更高效的检索增强生成方案。这些技术本质上是在给模型配一个越来越厚的笔记本，它需要翻找、对照，却从未真正“记住”过任何信息。用户每次打开聊天窗口，面对的依然是一个陌生的、需要从头开始理解自己的AI。
这种“失忆症”正在成为智能体体验的天花板。一个无法记住用户偏好、历史决策和交互细节的AI，永远只能扮演工具，而非伙伴。当行业还在围绕外挂记忆的检索精度和窗口长度内卷时，一家位于深圳、成立仅数月的公司，正试图改写这一技术底座。它的目标不是做一个更好用的RAG，而是让记忆能力像推理能力一样，内化为大模型的原生属性。
这家公司就是MemoraX AI（深圳忆纪元科技有限公司）。距离其2026年3月成立不久，公司已先后完成千万美金种子轮和数千万人民币种子+轮融资。在资本出手愈发审慎的当下，这些融资动向折射出投资方对“内生记忆”这一技术路径的急切押注。
| 字段 | 内容 |
|---|---|
| 公司 | MemoraX AI（深圳忆纪元科技有限公司） |
| 总部 | 深圳 |
| 创始人 | 郝建业 |
| 官网 | https://memorax.net/ |
记忆范式的根本性转向：从外挂检索到模型内生
过去一年，大模型记忆的主流叙事几乎被RAG方案垄断。其逻辑清晰易懂：将知识存储于外部向量数据库，在需要时检索相关信息，拼入提示词上下文。这种方法在短期内有效，因为它将记忆存储与模型推理分离，降低了实现复杂度和模型更新的耦合性。但MemoraX AI创始人郝建业指出了这条路径的本质局限——“这就像给AI配了一个笔记本，它只能翻阅查找，并不能真正记住你”。他描述的这种外挂式方案的瓶颈在于：检索到的信息是碎片化的，无法形成连贯的记忆链条；当多个检索步骤需要串联时，多跳推理容易出现断裂；并且记忆的颗粒度、持久度和个性化程度，都受限于外部存储的结构化表达方式。
MemoraX AI选择的技术路径是Agentic RL（智能体强化学习）。其核心差异在于，记忆不是作为外部可检索的数据存在，而是通过强化学习端到端地训练模型，使其在与环境的动态交互中，自主学会“记住什么、忘记什么、如何调用记忆”。在这种框架下，模型不再被动接收检索到的信息块，而是像一个主动的学习者：它在每一次交互中观察、评估、提取关键信息，并以参数化形式将其融合进自身。这意味着记忆的存储、组织和调用，都成为模型训练目标函数的一部分，而非外部工程模块的附加功能。
公司将其定义为“内生记忆”系统，声称实现了三个维度上的突破。第一是记忆的持续进化能力，即记忆可随交互积累、随反馈修正、随场景迁移，而不是一次写入便永久冻结。第二是记忆的精准召回能力，旨在解决传统方案中“记忆碎片化、检索不精准”的痛点。第三是跨场景的泛化复用能力，使得在一个场景中形成的记忆模式和决策策略，能够被迁移到其他相关场景中。这三个维度共同勾勒出一个理想的记忆系统：它不是存储箱，而是一个动态适应、自我组织、可泛化的认知能力层。
我们需要注意区分公司宣告和公开可验证事实。MemoraX AI的技术主张，目前最扎实的证据来自其在LoCoMo-Refined测试集上的表现。该测试集由南京大学与上海AI Lab联合发布，面向长对话的记忆能力评测，是大模型记忆领域为数不多的标准化评测基准之一。MemoraX AI在该测试集上取得SOTA，领先第二名30%，同时训练效率提升400倍。此外，在联合牛津大学构建并开源的ScriptMem（基于真实剧本的Agent Memory评测基准）和SWE-context-bench（AI Coding领域的Agent memory评测基准）上，MemoraX同样取得榜首成绩。这组来自标准化评测的数据，是外界目前能获得的、用以衡量其技术有效性的最可靠标尺。这些基准分别覆盖了长文本对话、真实生活场景和编程生产力工具等不同维度，显示出该团队在记忆评测体系构建上的系统性努力。然而，这些仍是实验室指标，其在真实商业场景中的泛化表现，尚未有任何公开数据可供验证。
一个“打过仗”的学术团队，正试图跨越产业落地鸿沟
MemoraX AI的创始团队配置，是该交易吸引多个资本方的关键触点。创始人郝建业身上同时叠加了两种稀缺标签：学界影响力和产业操盘履历。作为天津大学菁英教授、国家优青，他近两年在ICML、NeurIPS、ICLR三大顶会的论文产出排名全球前十，谷歌学术引用超1.5万次。这个学术站位，让MemoraX AI在记忆这一前沿方向上的理论探索拥有了较高的起点，也意味着其对全球强化学习社区的人才吸附力可能是同类初创公司难以比拟的。
与此同时，他所携带的产业履历进一步放大了这种学术资本的商业转化预期。郝建业曾历任华为决策推理实验室主任、华为大模型算法实验室主任、华为某军团技术总裁，是华为决策智能方向的首席专家。这使他熟悉从算法原型到千万级用户部署的完整工程链路，也意味着他可能在团队搭建初期就具备与大型科技公司客户对话的信任基础和商业网络。这种复合背景指向的是一种可能性：MemoraX AI也许能在学术前沿探索与商业产品落地之间建立一条比纯学术或纯工业背景团队更高效的转化通道。
光源资本创始人、CEO郑烜乐在陈述投资逻辑时，特别强调了这种复合背景的稀缺性：“郝建业教授深耕RL领域多年，在学术界与工业界均有极强的track record，我们相信他是将这一方向从研究真正推向产品落地的最佳人选。”这种评价指向的是AI创业公司普遍面临的挑战——学术团队长于算法创新但弱于工程落地，工业团队擅长产品化却难以构建深厚的技术护城河。MemoraX AI声称其团队兼具两者基因。根据公开披露，团队核心成员来自华为、阿里、腾讯等头部大厂，曾负责千亿级规模大模型研发与Agent落地，同时有国内强化学习领域代表性的研究力量。这种配置理论上可以形成“算法创新—工程化—商业部署”的闭环能力，但具体在记忆这一新赛道上的团队协同效率，仍是一个需要时间检验的变量。
更重要的是，该团队在强化学习的产业落地上已有多个验证案例，覆盖芯片设计自动化（EDA）、工业求解器、自动驾驶、游戏AI和广告推荐等领域。例如在EDA领域，其构建的强化学习智能决策技术曾连续两年获国际权威榜单EPFL总排名第一，并在数十款国产芯片设计中应用；在工业求解器领域，其算法在全球权威评测榜单上首次超越国际商业求解器Gurobi的性能；在自动驾驶领域，其智驾算法已落地部署于数十万车辆，被描述为业界首个强化学习技术在自动驾驶领域实现商业化落地的案例。这些项目展示了强化学习在复杂约束条件下做决策与优化的能力边界。但一个编辑观察是：这些过往场景本质上是参数空间明确、目标函数可定义的优化问题，而大模型记忆需要在开放域的语义空间里，对高度模糊、个性化、难以量化的“用户意图”进行建模。两者虽共享强化学习的框架，但面临的工程复杂度和不确定性不在同一量级。这一迁移能否成功，是MemoraX面临的最大未知数。
技术突破的实质意义与边界
在学术层面，MemoraX AI的团队在ICML 2026上共有10篇论文入选，并获中国电子学会自然科学一等奖。这代表了其在基于学习的决策理论上的前沿位置。这些论文覆盖了强化学习后训练、Test-Time Scaling等与记忆系统密切相关的核心技术方向，意味着该团队在学术共同体内已建立起围绕“记忆-决策”的连贯知识体系。但在其商业叙事中，将这些学术成就直接等同于“大模型记忆技术赛道革新引领者”，需要更多中间环节的证明。学术顶会的论文产出衡量的是理论突破的锐度，而商业产品衡量的则是工程折衷与规模化交付的完成度，二者之间通常隔着18到24个月的转化周期。
我们需要审慎辨析其技术承诺。所谓“记忆内化”，意味着模型参数本身将承担记忆存储与调用的功能。这彻底绕开了RAG带来的检索延迟、多跳推理断裂和知识碎片化问题。在RAG框架下，每当需要调用记忆，系统都要经过编码查询、向量检索、相似度排序、上下文拼接等多个串行步骤，这不仅引入延迟，还使多步推理的逻辑一致性难以保障。而参数化记忆则将这些操作融合在模型的前向传播中，有可能在推理速度和记忆连贯性上实现根本性改善。
但这也引入了新的技术挑战。参数化记忆的更新通常涉及模型的重训练或微调，如何在成本和实时性上满足商业应用的要求？目前唯一能提供部分信心的是训练效率400倍提升的数据，这暗示团队可能已在降低持续学习成本上取得了重要进展，但具体的技术方案、适用边界、以及该效率提升是仅限于特定评测场景还是具有通用性，仍是未披露的黑箱。
其次，“持续进化”的记忆如何避免灾难性遗忘？当模型持续地将新交互写入参数时，旧有记忆可能被覆盖或扭曲，这是神经网络长期存在的固有问题。MemoraX AI的Agentic RL框架是否设计了特定的记忆巩固或记忆隔离机制，来缓解这一问题，在目前公开的材料中未被详细阐述。第三，当模型将用户的个性化信息写入自身参数时，隐私保护和数据隔离如何实现？在RAG方案中，用户数据存储在独立知识库，可以通过访问控制、加密和删除机制来管理。但一旦信息被写入模型参数，其删除和隔离就变得极其复杂，可能引发GDPR等数据法规的合规风险。这些问题对于一个技术引领型创业公司而言可能是致命的。它们如果不能在工程上被解决，内生记忆就可能长期停留在实验室的sota指标上，而无法转化为B端客户愿意买单的能力。
软硬一体的商业化棋局，亟待第一个付费客户验证
MemoraX AI向市场描绘的商业图景是“软硬一体”的双向战略。在B端，其标准化的记忆模块瞄准智能客服、企业知识管理以及金融、医疗、法律等专业领域，试图解决重复问询和知识沉淀的痛点。在这些场景中，客户服务人员或知识工作者每天面对大量重复性信息检索工作，而一个具有持久记忆能力的系统可能大幅降低信息复述成本，并提升服务的个性化和专业度。在C端，则希望打造“千人千面”的个人智能助手，镌刻用户的习惯、偏好与工作诉求，让AI从“通用工具”进化为“专属伙伴”。
这是一个逻辑自洽但执行难度极高的叙事。在B端，企业级知识管理是一个存量市场，已有成熟的知识库方案和正在迭代的RAG系统。这些系统虽然存在碎片化问题，但已在数百家企业中完成了部署验证，且IT部门对其架构、成本和安全边界有清晰认知。MemoraX AI若要切入，需要证明其内生记忆方案带来的价值增量——比如客服首次解决率的大幅提升，或知识流转效率的显著改善——足以超过企业的迁移成本和信任门槛。这种迁移成本不仅是技术上的，更是组织上的：CIO们需要评估将核心知识管理能力绑定在一家初创公司的技术架构上所带来的供应商锁定风险。
在C端，“有人设、有记忆的智能伙伴”是众多AI应用公司共同讲述的故事。Character.AI等产品已验证了用户对人格化交互的强需求，但这些产品的记忆深度和持久性仍普遍被用户诟病——它们可能在几轮对话后忘记用户之前提及的重要个人信息。MemoraX AI能否在体验上拉开代差，是决定其C端战略能否立住的核心。然而，C端的规模化对基础设施成本、用户留存和数据飞轮的构建提出了极高要求，这对一个成立仅数月的公司而言，意味着需要同时解决技术成熟度和商业模型可行性两个棘手问题。
更现实的问题是，目前MemoraX AI的客户名单仍为“未披露”。公司成立仅数月，其标准化记忆产品尚处于“预计在未来12个月内推出”的阶段。这意味着，无论是技术壁垒还是商业护城河，目前都主要由团队履历、学术成果和测试集表现构成。在真正有客户为其产品付费之前，所有关于商业模式的描述都仍是假设。
资本结构揭示的产业信号
光源资本在MemoraX AI的早期阶段深度参与。创始人郑烜乐表示，光源在公司正式成立前便“深度参与了项目的构建与孵化”。这种从孵化阶段开始的合作关系，体现了资本对公司技术路径的高度认同，也预示了紧密的资源协同。类似模式在硬科技创业中并不少见，它可能为公司带来战略支撑，同时带来治理层面的讨论。
资金用途的模糊与待填的验证路径
关于公司融资的具体用途，根据公开信息，前两轮融资主要用于核心技术研发和工程化。种子轮资金用于Agentic RL的算法迭代与工程化落地，以及内生记忆模块的产品化开发；种子+轮用于加速核心技术的深度迭代与规模化工程落地。这些信息表明公司仍处于从技术验证向商业化过渡的阶段。
在这个叙事中，有一个迫切的待验证假设：MemoraX AI的核心记忆系统能否从一个在LoCoMo-Refined上领先30%的实验室模型，变成企业愿意付费的产品？这其中需要跨越的不只是技术成熟度，还有成本效用曲线、交付易用性、数据隐私合规等系统性工程。具体而言，它需要回答：训练效率400倍的提升在商业部署中意味着多低的边际成本？记忆模块能否以API或SDK的形式轻量接入企业现有的模型层，还是需要深度的联合训练？在数据合规层面，能否提供记忆的审计追踪和选择性遗忘能力？公司需要在接下来的12至18个月里，交出首批商业合同和客户留存数据，作为向市场证明其价值的最有力证据。
与替代方案的隐性战争，以及商业化瓶颈
MemoraX AI并非在真空中竞争。其所挑战的RAG方案背后，是整个大模型应用生态最庞大、最活跃的工程化方向。RAG的优势不仅在于其技术门槛较低，更在于其与现有企业IT架构的兼容性、投资成本和知识产权的清晰边界。企业使用RAG时，知识库独立于模型，切换成本低、可解释性相对较强。当模型需要升级或替换时，知识库可以基本无感地迁移到新模型上。而内生记忆方案意味着知识被写入模型参数，这让模型的更新、维护、权属界定变得异常复杂，可能引发客户对供应商锁定的担忧。这种锁定效应在短期内可能是MemoraX的竞争壁垒，但在客户获取早期，却可能成为企业采购决策的阻力因素。
另一个潜在的竞争压力来自大模型厂商本身。OpenAI、Anthropic等头部玩家均在探索长期记忆功能，虽然目前仍偏向工程化的折中方案——如将对话摘要存入上下文窗口或进行近端检索——但其在产品层面对记忆体验的定义权远远大过一家创业公司。这些巨头拥有庞大的用户基数和交互数据，一旦他们将记忆功能原生整合进GPT或Claude系列，其数据飞轮效应可能快速缩小任何技术差距。如果未来某一天，主流基础模型原生支持深度个性化记忆，MemoraX AI这类独立提供的中间件价值将面临被吞噬的风险。公司对此的防御策略，很可能在于将记忆模块做深、做专，并与Agent框架深度耦合，形成大模型厂商不愿意花同样成本去优化的细分壁垒。例如，针对特定垂直行业（如医疗、法律）的记忆合规性需求，或针对特定Agent形态（如具身智能、自动驾驶）的实时记忆更新需求，构建超出通用模型覆盖范围的专用能力。但这需要时间，而时间恰恰是创业公司面对巨头时最稀缺的资源。
真正制约商业化起量的瓶颈，可能不是技术，而是客户对新范式的信任建立周期。让一家企业将客服系统或知识管理的核心能力，建立在创业公司的内生记忆模型上，这无疑需要标杆案例、商业保险机制和极强的客户成功服务。在缺乏首个付费客户的情况下，所有关于产品价值的叙事都停留在假设层面。而获取首个付费客户的过程，可能比技术研发本身更具挑战：它需要销售团队理解企业采购决策链，需要产品团队在缺少充分反馈的条件下完成最小可行产品的打磨，还需要公司在商务条款上提供足够的保障机制来降低客户的试错风险。这些都是初创公司资源密集投入的领域，也将是对MemoraX AI团队工程服务能力和商业耐心的持续考验。
RecodeX 极客视：MemoraX AI 以大模型记忆赛道上游底层架构的革新者定位获得资本密集押注。它所代表的“内生记忆”路径，在理论上可能重塑AI Agent的能力上限——当模型真正开始记住用户，智能体才能从处理任务转向维护关系。但理论的优雅与商业的残酷之间存在巨大鸿沟。目前所有技术有效性的证据都来自标准化评测，而第一个商业合同的签署、第一组客户留存数据的交付，才是这套技术叙事最硬的检验。记忆内化带来的灾难性遗忘风险、隐私合规挑战以及供应商锁定顾虑，可能比竞争对手构成更真实的阻力。在交出可量化的客户成效之前，MemoraX AI 仍然是一家学术血统深厚、工业经验多元，却在商业正片上等待第一场公映的团队。记忆能否成就智能的灵魂，要看它能否先让自己成为客户的刚需。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。