记忆张量获亿元Pre-A轮融资：AI记忆会成为Agent时代的新基础设施吗？

一个跨越数天、调用多个业务系统执行任务的Agent，在第二次被唤醒时，往往已经不知道目标为什么被修改、哪一步已经完成、哪些判断被验证过。它每一次重新启动，都像第一次见到用户。这不是某个模型的缺陷，而是当前大模型架构在长期状态管理上的系统性缺口。当Agent从“回答一个问题”走向“完成一个工作流”，记忆不再是可以被忽略的附属功能，而是决定系统能否进入生产环境的前提。

正是在这个缺口上，一家成立不到两年的上海公司完成了新一轮融资。记忆张量（MemTensor）宣布完成亿元Pre-A轮融资，由华为哈勃、荣耀战投、商汤国香资本、深创投、和玉资本共同投资。此前，公司于2025年完成近亿元天使轮，投资方为孚腾资本、算丰信息、中金资本。两轮融资合计规模接近两亿元。与天使轮以财务投资人为主不同，本轮投资方中同时出现了终端硬件方和AI平台方，指向端侧记忆与云端记忆的双线需求。

记忆张量切入的命题并不新鲜：让AI系统拥有可管理、可更新、可审计的长期记忆。但它的技术路线与当前主流的RAG方案存在根本分歧。公司把记忆视为与推理引擎平行的系统层资源，而非模型推理前的信息检索步骤。这一对比来自公司披露的技术定位，并辅以编辑分析：MemOS的设计出发点是将记忆作为系统级资源统一管理，而RAG通常被理解为模型推理前的信息检索步骤。该定位能否成立，取决于几个尚未被验证的假设——独立记忆基础设施能否在大模型厂商原生记忆能力增强后保持差异化、公司自报的性能数据能否被第三方复现、端侧部署能否通过产品级验证。

从“塞更多上下文”到“把记忆当作系统资源”，MemOS试图重新定义问题边界

记忆张量的核心产品是MemOS记忆操作系统。它的设计起点来自团队在2024年提出的Memory³分层记忆理论，该理论将AI记忆划分为三类：参数记忆负责模型能力和长期知识的内化，激活记忆承载上下文与推理过程中的动态状态，明文记忆保存可显式读写、更新和治理的外部事实与经验。MemOS通过统一运行时管理这三类记忆，使长期状态能够跨任务、跨推理过程被隔离、复用和持续维护。

这套框架与RAG的关键区别在于：RAG解决的是“怎样把更多历史信息塞进上下文”，而MemOS试图回答的是“怎样以合理成本维护长期状态、更新事实、沉淀经验，并控制错误传播与权限边界”。公司把这套方法概括为“记忆工程”——把记忆从模型的附属功能转化为可定义、可度量、可验收、可调度、可更新、可遗忘和可审计的系统资源。从已披露的技术架构看，这意味着MemOS的竞争对象不是某一家大模型厂商的上下文窗口扩展方案，而是企业级Agent运行时的状态治理层。但这一判断的边界在于：公司尚未披露MemOS在具体企业客户环境中的部署形态、与现有数据治理体系的集成方式，以及“可审计”在实际合规场景中如何落地。

据公司披露，MemOS在一次涵盖14款主流记忆框架的对比中综合性能排名第一，在长程复杂Agent任务上Token消耗量降低近70%。创始人熊飞宇在采访中称，这“减少近七成的成本，也有着更好的业务表现”。需要明确的是，这两项数据均来自公司自报，目前没有独立第三方复现验证的公开结果。Token消耗降低的测试条件、任务类型、对比基线以及模型版本均未披露，因此无法判断该数据在不同模型和任务上的泛化程度。

Metis不是MemOS的替代品，而是一条把记忆内化进模型架构的并行路线

记忆张量的技术路线中还有一条更长期的主线：代号为Metis的记忆原生基模。MemOS负责外部长期状态的生产、调度和治理，Metis则尝试把记忆的读取、写入与更新机制进一步内化到模型架构、训练目标和推理过程中。两者并非前后替代关系，而是长期智能在系统层和模型层的两条协同路线。

熊飞宇用了一个比喻来解释Metis的出发点：“传统模型像是在考试前学习，考试开始后就停止了。我们希望模型能力不只来自一次性预训练，也能从真实任务中的长期交互和反馈中持续积累。”但他同时强调，Metis所探索的并不是让模型无约束地在线自我更新，而是让经过校验和治理的有效经验逐步沉淀为可复用的长期能力。从已披露的信息看，Metis仍处于训练范式探索阶段，公司未披露模型参数规模、训练数据来源、评测基准或发布时间表。这意味着Metis目前更接近一个研究方向，而非可交付的产品承诺。

这种“系统层+模型层”的双线布局，在资源投入上存在张力。一家Pre-A轮公司同时推进记忆操作系统产品化和记忆原生基模研发，意味着资金和团队注意力需要在短期商业化交付与长期模型架构创新之间分配。本轮融资用途中“持续推进MemOS迭代、Agent和记忆基础设施产品化、重点产业场景落地，以及记忆原生通用基座模型研发”的表述，本身就包含了多条并行战线。公司未披露各条线的资源配比，因此无法判断Metis的研发是否会挤压MemOS的商业化节奏。

华为哈勃与荣耀战投同时入局，端侧记忆成为最先可能被验证的场景

本轮投资方构成中，华为哈勃和荣耀战投的同时出现值得拆解。华为哈勃是华为旗下专注于半导体和AI基础设施的投资平台，荣耀战投代表终端设备厂商对端侧AI能力的需求。两者同时押注一家AI记忆公司，指向一条具体的需求线：手机、PC、车机等终端设备承载着最连续的用户行为数据，端侧记忆可以在本地维护用户习惯、设备状态和任务上下文，在降低延迟和云端调用成本的同时减少敏感数据外流。这一判断属于编辑分析，其前提是投资方公开身份与终端设备对连续用户数据的天然接近性；结论边界在于，投资行为本身不能证明具体采购或量产合作已经发生。

熊飞宇对此的判断是：“端侧AI天然承载着个人的记忆和行为偏好。记忆原生小模型部署在终端后，可以在减少对云端依赖的前提下，更持续地理解用户状态，并完成个性化的信息调用。”据公司披露，其产品已进入端侧硬件、金融、工业等领域。但“进入”的具体含义未披露——是已签约付费客户、正在试点测试，还是仅完成技术对接，目前无法从公开信息中确认。天使轮时公司已实现数千万元商业化签约，覆盖金融、工业、通信等领域，并与阿里云、华为云建立了合作关系。这些签约的具体客户名称、合同金额和交付状态均未披露。

从产业链约束看，端侧记忆的落地面临一个现实问题：手机等算力受限设备上运行记忆系统的性能表现和用户体验，与云端部署存在显著差异。端侧模型不必独立承担所有复杂推理，但需要负责持续感知、筛选和维护个人长期状态。这意味着记忆原生小模型在端侧的推理延迟、内存占用、功耗和与云端模型的记忆交换效率，都需要产品级验证。华为哈勃和荣耀战投的介入意味着端侧落地会是近期最先被观察的场景，但搭载MemOS的硬件产品何时面世、以何种形态集成，目前未披露。

“40%企业应用将集成Agent”的市场预期，与独立记忆系统的生存空间并不等同

记忆张量所处赛道的市场叙事建立在一条预测之上：据Gartner预测，到2026年底，40%的企业应用将集成任务型AI Agent，而2025年这一比例不足5%。如果这个预测成立，Agent从一次调用走向长期运行，长期状态管理将从附加功能变成系统级要求。这是记忆赛道融资潮的底层逻辑。

但这个市场预期并不能直接等同于独立记忆基础设施的市场空间。Agent的长期状态管理需求是确定的，但满足这个需求的主体并不确定。大模型厂商可以将记忆能力作为模型原生功能直接提供，云平台可以将状态管理集成进Agent开发框架，应用层公司也可以基于开源方案自建记忆模块。记忆张量试图把记忆定义为与推理引擎平行的系统层，但这个定位需要回答一个关键问题：当Claude、GPT等模型的原生记忆功能持续增强，外挂式记忆系统的价值空间是否会被压缩。

从已披露的信息看，记忆张量的差异化在于“记忆工程”的治理能力——可定义、可度量、可审计、可遗忘。这套能力面向的是企业级生产环境中的合规和权限边界需求，而非单纯的记忆容量或检索精度。如果这个方向成立，独立记忆系统的竞争壁垒不在于“记住更多”，而在于“在受控条件下记住该记的、忘掉该忘的”。但公司尚未披露任何企业客户在权限治理、审计追溯或错误回滚方面的实际案例，因此这个壁垒目前仍是一个待验证的假设。

9700个GitHub Star和1.7万名开发者，社区热度与商业转化之间还有距离

MemOS已在GitHub开源，截至2026年6月项目获得约9700个star，其OpenMem开发者社区聚集了超过1.7万名开发者。对于一个2024年11月成立的公司来说，这个社区规模在AI基础设施类开源项目中属于中上水平。开源策略的意义在于降低开发者接入门槛、建立技术品牌，并通过社区反馈加速产品迭代。

但开源社区的活跃度与商业转化之间并不存在线性关系。9700个star和1.7万名开发者中，有多少来自真实企业场景的集成需求、多少来自技术尝鲜，公司未披露。更关键的是，开源版本与商业版本之间的功能切割——哪些能力在开源版中可用、哪些治理和审计功能需要付费——目前没有公开信息。如果核心的“记忆工程”治理能力被保留在商业版中，开源社区的价值更多体现在技术验证和品牌建设；如果开源版已经包含核心能力，商业化的抓手则需要另寻。

从天使轮“数千万签约”到Pre-A轮，记忆张量的商业化进展尚未进入亿级ARR量级。公司未披露2025年或2026年上半年的收入数据、客户留存率或续约情况。对于一家定位为基础设施的公司来说，从数千万签约到亿级经常性收入，是验证独立记忆系统市场容量是否成立的关键跨越。这个跨越能否完成，取决于已签约客户是否从试点走向规模化部署，以及端侧硬件场景能否带来新的收入来源。

资金用途覆盖四条战线，但“记忆原生基模”的研发周期可能远超本轮资金窗口

据公司披露，本轮融资将用于持续推进MemOS迭代、Agent和记忆基础设施产品化、重点产业场景落地，以及记忆原生通用基座模型研发。这四条战线中，MemOS迭代和产业场景落地属于短期可验证的投入，Agent和记忆基础设施产品化属于中期投入，而记忆原生通用基座模型研发则是一个长周期、高消耗的方向。

从资本结构看，本轮投资方中深创投作为国资背景的头部创投机构出现，通常被视为项目进入政策认可视野的信号。和玉资本作为专业投资机构，其投资逻辑更偏向技术壁垒和长期回报。华为哈勃和荣耀战投的产业属性，意味着投资回报的衡量标准可能不完全是财务指标，还包括技术协同和供应链布局。这种混合型投资方结构，为记忆张量提供了产业资源和政策背书，但也意味着公司在后续轮次中需要向不同类型的投资人证明不同的价值维度。

一个需要关注的变量是融资轮次的表述。快讯曾出现“Pre-A+轮”的说法，但多篇报道均称本轮为Pre-A轮，且快讯未披露金额和投资方。两者可能指向同一轮融资的不同表述，也可能存在后续轮次。公司未对此作出澄清，因此无法判断本轮融资的准确时间节点和是否已全部完成交割。

最值得观察的两个变量：商业化能否跨入亿级ARR，大模型厂商原生记忆何时形成替代压力

记忆张量接下来最值得观察的变量有两个。第一，商业化数据能否从天使阶段的“数千万签约”进入亿级ARR量级。这决定了记忆基础设施作为独立产品的市场容量是否成立。如果已签约客户在2026年内实现规模化部署并带来经常性收入，独立记忆系统的商业逻辑将得到初步验证；如果签约金额停滞在数千万量级，市场可能需要重新评估这个品类的天花板。

第二，主流大模型厂商在记忆能力上的自研进度。如果OpenAI、Anthropic或国内头部模型公司将长期记忆作为模型原生能力大幅强化，独立记忆中间件的定位可能需要重新校准。从已披露的信息看，记忆张量的应对策略是向治理层和端侧场景延伸——企业级权限审计和端侧个性化记忆，是模型原生能力短期内难以覆盖的领域。但这个策略的前提是：企业客户确实愿意为“可审计的记忆”单独付费，而不是将记忆治理视为Agent开发框架的默认组件。

从已披露的X与Y看，这意味着记忆张量的真实竞争对象可能不是某一家大模型公司，而是企业级Agent运行时中“状态管理”这个功能模块的归属权。如果这个模块最终被云平台或模型厂商吸收，独立记忆系统的空间将被压缩；如果企业客户对跨模型、跨平台的记忆资产可迁移性产生刚性需求，独立系统层的价值将得到支撑。但Z——企业客户对记忆资产独立性的付费意愿——尚未披露，因此结论边界是：记忆张量的技术路线在逻辑上自洽，但其作为独立商业品类的市场验证，仍处于早期阶段。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：记忆张量把“记忆”从大模型的附属功能提升为系统层资源，这个方向在Agent从单次调用走向长期运行的背景下有其产业逻辑。但一家Pre-A轮公司同时推进记忆操作系统、Agent产品化和记忆原生基模研发，资源分配的张力会随着时间放大。华为哈勃和荣耀战投的入局给了端侧场景一个明确的验证窗口，但公司自报的性能数据和商业化进展都还缺乏独立第三方的交叉验证。在“40%企业应用将集成Agent”的市场预期真正兑现之前，独立记忆基础设施的生存空间，取决于它能否在企业级治理和端侧个性化这两个模型原生能力难以覆盖的领域，建立起可度量的付费壁垒。