你的 AI 有记忆吗？从知识图谱到混合智能，企业知识组织的下一个十年

你的 AI 有记忆吗？从知识图谱到混合智能，企业知识组织的下一个十年 你的 AI 有记忆吗？从知识图谱到混合智能，企业知识组织的下一个十年 Modified April 5 这对符号式路线来说几乎是降维打击—— 那些让知识图谱团队痛苦的维护问题（新增、冲突、归一、退场），在连续式存储中大部分自动消解了。 新知识？训练或微调进去。冲突？模型会自动学习更新的权重。指代归一？嵌入空间里，语义相近的实体自然聚在一起。过期？重新训练，旧模式自然衰减。 但——总有一个但。 六、连续式的致命伤：黑箱不是万能的 Engram 解决了效率问题，但引入了一个新问题： 不可解释性。 当 AI 基于知识图谱做出一个判断时，你可以追溯完整的推理链——从哪个节点出发，经过哪些边，到达什么结论。这条链路是透明的、可审计的。 但当 AI 基于 Engram 做出判断时呢？ "你为什么知道这个客户的风险偏好是激进型？" "因为我的参数告诉我的。" "哪个参数？" "……大概是第 37 层 Transformer 中某些注意力头的权重组合。" 这在合规场景下是不可接受的。 不是说它不准——它可能非常准。但"准"和"能解释为什么准"是两回事。在金融监管的语境下，一个无法解释其决策依据的 AI 系统，不管多准，都是一颗定时炸弹。 这就是两条路线碰撞后留下的核心问题： 我们能不能既要效率，又要透明？ 七、混合架构：符号做骨架，连续做肌肉 答案是：可以。但需要一种新的架构思维。 我把它叫做 "符号骨架 + 连续肌肉" 。 骨架层（符号式）承载必须精确、必须可追溯的知识： 法规条文：《商业银行资本管理办法》第 42 条规定…… 合同条款：甲方应在 T+2 日内完成资金交割…… 实体关系：公司 A 持有公司 B 51% 股权…… 监管要求：高风险客户需每季度重新做 KYC…… 这些知识的特点是： 错不得，改不得（除非原始文件变了），查不到不行。 它们天然适合知识图谱——精确、有结构、有源头。 肌肉层（连续式）承载模糊的、概率性的、难以显式编码的知识： 市场情绪：最近科技股的情绪偏悲观…… 客户偏好：这个客户虽然填了"稳健型"，但历史交易行为偏激进…… 隐含关系：这两个看似无关的公司，在供应链上有间接依赖…… 行业趋势：新能源板块的估值逻辑正在从"成长"切换到"价值"…… 这些知识的特点是： 说不清楚、量化不了、但很重要。 它们天然适合连续式存储——让模型自己去学习、去发现模式。 关键设计原则： 当 AI 做出一个决策时， 骨架层提供可解释的决策链，肌肉层提供信号输入。 举个例子：AI 建议客户 A 不适合购买某高风险产品。 可解释的决策链（骨架层）：客户风险评级 = 稳健型 → 产品风险等级 = R5 → 根据《适当性管理办法》第 X 条，不匹配 → 建议不购买。 信号输入（肌肉层）：客户近期查询了大量保本型产品 → 近三个月交易频率下降 → 模型判断客户实际风险偏好可能正在从"平衡型"向"稳健型"迁移。 审计师看到的是清晰的决策链。但决策的质量，得益于肌肉层提供的更细腻的信号。 骨架决定了你能不能过合规审查。肌肉决定了你的判断有多准。 八、金融为什么可能永远停在混合 聊到这里，一个自然的问题是：如果连续式越来越强，解释性问题迟早被解决，是不是最终会走向纯连续式？ 对大多数行业来说，可能是的。企业知识组织的演化路径大概率是： 短期（现在）： 大多数企业在用 RAG。最简单，部署最快，但也最粗糙。 中期（1 3 年）： 头部企业开始建知识图谱或本体系统。Palantir 的客户已经在这个阶段。 长期（3 5 年）： 混合架构成为主流，最终可能走向纯连续式。 但金融领域是一个例外。它可能永远停在混合阶段。 原因不是技术，是制度。 金融监管的核心逻辑是 事后可追责 。任何一个金融决策——放贷、投资、风控——都必须有清晰的决策依据链。不是"我觉得"，是"根据什么、依据什么、经过什么逻辑、得出什么结论"。 这个要求的本质是： 决策过程必须是符号化的、可还原的。 即使有朝一日，连续式系统可以通过某种事后解释技术（比如注意力可视化、特征归因）来"模拟"可解释性，监管对此的接受度也会非常保守。因为"模拟的解释"和"真实的推理路径"之间有本质区别——前者是事后编的故事，后者是实际走过的路。 监管不接受故事，只接受证据。 所以在金融领域，符号层不是权宜之计，而是监管划定的下限。你可以在肌肉层用最先进的连续式技术，但骨架层必须是知识图谱或等价的显式符号系统。 这不是技术的局限，而是制度设计的有意选择。在涉及公众利益的领域，"说不清楚为什么"是不可接受的。 九、Engram 的最大启示：存储和推理应该解耦 抛开具体的技术路线之争，Engram 给整个 AI 行业留下了一个更深层的启示： 知识的存储和知识的推理，应该是两个独立的系统。 这听起来像废话，但你仔细想想——今天大多数 AI 系统并没有做到这一点。 RAG 把存储（文档库）和推理（大模型）耦合在一起——检索质量直接决定推理质量，但检索层和推理层用的是完全不同的优化目标。知识图谱好一些，但查询和推理依然紧密绑定——图上能走通的路径就是推理能力的上限。 Engram 的设计哲学不同： 存储层只管高效存取，推理层只管逻辑推演。 存储层不需要理解知识的语义——它就像一个极快的仓库管理系统，你给一个 key，它返回一个 value，O(1) 完成。推理层拿到这些 value 之后，再去做理解、关联、判断。 这种解耦带来的好处是巨大的： 存储层可以独立扩展（加知识不影响推理性能） 推理层可以独立升级（换更强的模型不需要重建知识库） 两者可以分别优化（存储追求速度和覆盖率，推理追求准确性和逻辑性） 这个思路不仅适用于 Engram 这种纯连续式方案， 也适用于混合架构的设计 。符号层（知识图谱）本质上也是一种存储层——如果我们把它设计为纯粹的"高精度知识仓库"，而把所有推理逻辑交给独立的推理引擎（无论是大模型还是规则引擎），整个系统的可维护性和可扩展性都会大幅提升。 "存储不推理，推理不存储"——这七个字，可能是未来五年企业 AI 架构最重要的设计原则。 写在最后 写这篇文章的过程中，我一直在想一个问题： 我们是不是对"知识"这个词本身有误解？ 在传统软件工程的语境里，知识 = 数据 + 结构。所以我们造了数据库、造了知识图谱、造了本体论——所有这些工具的共同假设是：知识是可以被完整、精确、显式地表达出来的。 但 Engram 提醒我们： 有些知识天生就是模糊的、隐含的、分布式的。 它不存在于任何一个节点或一条边上，而是弥散在整个网络的权重之中。就像一个有二十年经验的交易员，他对市场的"感觉"不是存在某个脑细胞里的，而是分布在整个神经系统中的。 这并不意味着符号式知识管理会消亡。恰恰相反——在一个 AI 越来越多地参与高风险决策的世界里，可审计的符号层只会变得更重要。 但它的角色会改变。从"唯一的知识载体"变成"决策链的锚点"。 未来的企业知识架构，不会是"选 A 还是选 B"的问题，而是"A 和 B 各负责什么"的问题。骨架和肌肉不是替代关系，是协作关系。 至于那个终极问题——"你的 AI 有记忆吗？" 我的回答是： 有，但好的记忆不只是记住了什么，更是知道什么该精确记住、什么该模糊感知、什么该果断忘掉。 这不也是人类记忆的工作方式吗？ 💠 用 Token 思考，让洞察涌现 关注「Token涌现」，不错过下一篇 这对符号式路线来说几乎是降维打击—— 那些让知识图谱团队痛苦的维护问题（新增、冲突、归一、退场），在连续式存储中大部分自动消解了。 新知识？训练或微调进去。冲突？模型会自动学习更新的权重。指代归一？嵌入空间里，语义相近的实体自然聚在一起。过期？重新训练，旧模式自然衰减。 但——总有一个但。 六、连续式的致命伤：黑箱不是万能的 Engram 解决了效率问题，但引入了一个新问题： 不可解释性。 当 AI 基于知识图谱做出一个判断时，你可以追溯完整的推理链——从哪个节点出发，经过哪些边，到达什么结论。这条链路是透明的、可审计的。 但当 AI 基于 Engram 做出判断时呢？ "你为什么知道这个客户的风险偏好是激进型？" "因为我的参数告诉我的。" "哪个参数？" "……大概是第 37 层 Transformer 中某些注意力头的权重组合。" 这在合规场景下是不可接受的。 不是说它不准——它可能非常准。但"准"和"能解释为什么准"是两回事。在金融监管的语境下，一个无法解释其决策依据的 AI 系统，不管多准，都是一颗定时炸弹。 这就是两条路线碰撞后留下的核心问题： 我们能不能既要效率，又要透明？ 七、混合架构：符号做骨架，连续做肌肉 答案是：可以。但需要一种新的架构思维。 我把它叫做 "符号骨架 + 连续肌肉" 。 骨架层（符号式）承载必须精确、必须可追溯的知识： 法规条文：《商业银行资本管理办法》第 42 条规定…… 合同条款：甲方应在 T+2 日内完成资金交割…… 实体关系：公司 A 持有公司 B 51% 股权…… 监管要求：高风险客户需每季度重新做 KYC…… 这些知识的特点是： 错不得，改不得（除非原始文件变了），查不到不行。 它们天然适合知识图谱——精确、有结构、有源头。 肌肉层（连续式）承载模糊的、概率性的、难以显式编码的知识： 市场情绪：最近科技股的情绪偏悲观…… 客户偏好：这个客户虽然填了"稳健型"，但历史交易行为偏激进…… 隐含关系：这两个看似无关的公司，在供应链上有间接依赖…… 行业趋势：新能源板块的估值逻辑正在从"成长"切换到"价值"…… 这些知识的特点是： 说不清楚、量化不了、但很重要。 它们天然适合连续式存储——让模型自己去学习、去发现模式。 关键设计原则： 当 AI 做出一个决策时， 骨架层提供可解释的决策链，肌肉层提供信号输入。 举个例子：AI 建议客户 A 不适合购买某高风险产品。 可解释的决策链（骨架层）：客户风险评级 = 稳健型 → 产品风险等级 = R5 → 根据《适当性管理办法》第 X 条，不匹配 → 建议不购买。 信号输入（肌肉层）：客户近期查询了大量保本型产品 → 近三个月交易频率下降 → 模型判断客户实际风险偏好可能正在从"平衡型"向"稳健型"迁移。 审计师看到的是清晰的决策链。但决策的质量，得益于肌肉层提供的更细腻的信号。 骨架决定了你能不能过合规审查。肌肉决定了你的判断有多准。 八、金融为什么可能永远停在混合 聊到这里，一个自然的问题是：如果连续式越来越强，解释性问题迟早被解决，是不是最终会走向纯连续式？ 对大多数行业来说，可能是的。企业知识组织的演化路径大概率是： 短期（现在）： 大多数企业在用 RAG。最简单，部署最快，但也最粗糙。 中期（1 3 年）： 头部企业开始建知识图谱或本体系统。Palantir 的客户已经在这个阶段。 长期（3 5 年）： 混合架构成为主流，最终可能走向纯连续式。 但金融领域是一个例外。它可能永远停在混合阶段。 原因不是技术，是制度。 金融监管的核心逻辑是 事后可追责 。任何一个金融决策——放贷、投资、风控——都必须有清晰的决策依据链。不是"我觉得"，是"根据什么、依据什么、经过什么逻辑、得出什么结论"。 这个要求的本质是： 决策过程必须是符号化的、可还原的。 即使有朝一日，连续式系统可以通过某种事后解释技术（比如注意力可视化、特征归因）来"模拟"可解释性，监管对此的接受度也会非常保守。因为"模拟的解释"和"真实的推理路径"之间有本质区别——前者是事后编的故事，后者是实际走过的路。 监管不接受故事，只接受证据。 所以在金融领域，符号层不是权宜之计，而是监管划定的下限。你可以在肌肉层用最先进的连续式技术，但骨架层必须是知识图谱或等价的显式符号系统。 这不是技术的局限，而是制度设计的有意选择。在涉及公众利益的领域，"说不清楚为什么"是不可接受的。 九、Engram 的最大启示：存储和推理应该解耦 抛开具体的技术路线之争，Engram 给整个 AI 行业留下了一个更深层的启示： 知识的存储和知识的推理，应该是两个独立的系统。 这听起来像废话，但你仔细想想——今天大多数 AI 系统并没有做到这一点。 RAG 把存储（文档库）和推理（大模型）耦合在一起——检索质量直接决定推理质量，但检索层和推理层用的是完全不同的优化目标。知识图谱好一些，但查询和推理依然紧密绑定——图上能走通的路径就是推理能力的上限。 Engram 的设计哲学不同： 存储层只管高效存取，推理层只管逻辑推演。 存储层不需要理解知识的语义——它就像一个极快的仓库管理系统，你给一个 key，它返回一个 value，O(1) 完成。推理层拿到这些 value 之后，再去做理解、关联、判断。 这种解耦带来的好处是巨大的： 存储层可以独立扩展（加知识不影响推理性能） 推理层可以独立升级（换更强的模型不需要重建知识库） 两者可以分别优化（存储追求速度和覆盖率，推理追求准确性和逻辑性） 这个思路不仅适用于 Engram 这种纯连续式方案， 也适用于混合架构的设计 。符号层（知识图谱）本质上也是一种存储层——如果我们把它设计为纯粹的"高精度知识仓库"，而把所有推理逻辑交给独立的推理引擎（无论是大模型还是规则引擎），整个系统的可维护性和可扩展性都会大幅提升。 "存储不推理，推理不存储"——这七个字，可能是未来五年企业 AI 架构最重要的设计原则。 写在最后 写这篇文章的过程中，我一直在想一个问题： 我们是不是对"知识"这个词本身有误解？ 在传统软件工程的语境里，知识 = 数据 + 结构。所以我们造了数据库、造了知识图谱、造了本体论——所有这些工具的共同假设是：知识是可以被完整、精确、显式地表达出来的。 但 Engram 提醒我们： 有些知识天生就是模糊的、隐含的、分布式的。 它不存在于任何一个节点或一条边上，而是弥散在整个网络的权重之中。就像一个有二十年经验的交易员，他对市场的"感觉"不是存在某个脑细胞里的，而是分布在整个神经系统中的。 这并不意味着符号式知识管理会消亡。恰恰相反——在一个 AI 越来越多地参与高风险决策的世界里，可审计的符号层只会变得更重要。 但它的角色会改变。从"唯一的知识载体"变成"决策链的锚点"。 未来的企业知识架构，不会是"选 A 还是选 B"的问题，而是"A 和 B 各负责什么"的问题。骨架和肌肉不是替代关系，是协作关系。 至于那个终极问题——"你的 AI 有记忆吗？" 我的回答是： 有，但好的记忆不只是记住了什么，更是知道什么该精确记住、什么该模糊感知、什么该果断忘掉。 这不也是人类记忆的工作方式吗？ 💠 用 Token 思考，让洞察涌现 关注「Token涌现」，不错过下一篇 🔗 原文链接： https://mp.weixin.qq.com/s/11ISYX3x... https://mp.weixin.qq.com/s/11ISYX3x... 原创 Token涌现 Token涌现 Token涌现2026年4月5日 22:10 上海 当 DevRev 的 CEO 在台上抛出"你的 AI Agent 有记忆吗？"这个问题时，台下沉默了三秒。这三秒里，所有人都在想同一件事：我们花了大价钱部署的 AI 系统，到底是真的"懂"我们的业务，还是每次对话都在从零开始？ 一、灵魂拷问：AI 的记忆住在哪里？ 想象一下这个场景： 你公司的 AI 客服今天上午帮客户处理了一个退货问题，下午同一个客户打来电话问进度——AI 完全不记得上午的事。你公司的 AI 分析师跑出一份风险报告，你问它"这个结论是基于哪些数据？"——它支支吾吾答不上来。 这不是假设。 这是 2025 年大多数企业 AI 系统的现状。 问题出在哪？出在"记忆"上。 目前企业 AI 最主流的记忆方式叫 RAG（检索增强生成） ——简单说，就是每次 AI 回答问题前，先去文档库里搜一把，把搜到的东西塞给大模型当参考。这就像一个员工，每次开会前临时翻一遍公司所有文件，然后凭印象发言。 能用？能用。靠谱？谈不上。 DevRev 看到了这个痛点。他们的主张很激进：AI Agent 需要的不是临时抱佛脚的检索，而是 结构化的组织记忆 ——一张知识图谱（Knowledge Graph），充当 AI 的"海马体"。 海马体，就是人脑中负责把短期记忆转化为长期记忆的那个部位。DevRev 的意思是：你的 AI 不仅要能查到信息，还要理解信息之间的关系——客户 A 买过产品 B，产品 B 依赖供应商 C，供应商 C 上个月出了质量问题。这些关系不是搜索能搜出来的， 是需要被显式组织起来的 。 这听起来很有道理。但与此同时，DeepSeek 发了一篇论文，提出了一个完全不同的思路： 知识不需要外挂数据库，直接编码进模型参数里就行了。 两条路线，正面碰撞。 二、两条路线的本质：图书馆 vs 直觉 在展开技术细节之前，先讲一个类比。 符号式路线（知识图谱） ，就像一座管理严格的图书馆。每本书有索引卡片，卡片上写着书名、作者、分类号、和其他书的关联。你要找任何信息，按目录查就行。精确、可追溯、审计友好。图书管理员（也就是维护知识图谱的团队）负责确保每张卡片都是对的。 连续式路线（Engram） ，更像一个经验丰富的老员工的直觉。他说不清楚为什么觉得这个客户有风险，但他就是觉得。这个"直觉"是几十年经验在大脑神经元里留下的权重——你没法打开他的脑子去审计，但他的判断确实很准。 DevRev 和 Palantir 走的是第一条路。DeepSeek Engram 走的是第二条。 它们各自代表了企业知识组织的两种哲学：显式 vs 隐式，精确 vs 模糊，可解释 vs 高效率。 三、符号式的力量：合规世界的硬通货 先说知识图谱为什么强。 DevRev 的做法是 集成式 ——把公司所有知识放进一张大图。客户信息、产品文档、工单记录、代码仓库，全部通过节点和边连接起来。当 AI Agent 需要回答问题时，它不是去搜文档，而是在图上"走"——从客户节点出发，沿着"购买"这条边走到产品，再沿着"依赖"走到供应商。 Palantir 的做法不同，走的是 联邦式 。它不试图建一个统一大图，而是定义一套叫 Dynamic Ontology（动态本体）的中间层。每个数据源保持自己的结构，但通过本体层做语义对齐。你可以理解为：不是把所有书搬进一个图书馆，而是给每个图书馆发一套统一的分类标准，让它们可以互相借书。 两种做法，但核心共识一致：知识必须是结构化的、显式的、可追溯的。 这个共识在金融、医疗、法律等强监管行业有巨大价值。为什么？因为监管要求三个字： 说清楚。 你的模型推荐客户买这个基金，为什么？→ 因为客户风险偏好是"稳健型"（节点），该基金历史回撤 < 5%（属性），且符合监管的适当性要求（关系）。 你的系统判定这笔交易可疑，依据是什么？→ 因为交易对手在制裁名单上（节点），交易金额异常（属性），且和三个已知壳公司有股权关系（路径）。 每一步都有迹可循。每一个结论都能回溯到具体的节点和边。 审计师能查，监管能问，法务能解释。 这就是符号式路线的硬通货： 可审计性和可解释性。 四、符号式的暗面：一场永不停歇的维护战争 但图书馆的故事还有另一面： 图书管理员快累死了。 知识图谱在论文里很优雅，在生产环境里是一场噩梦。我总结为"四大折磨"： 第一，新节点涌入。 一家中型金融机构，每天可能产生数千个新的实体——新客户、新产品、新交易、新监管文件。每一个都需要被正确归类、连接到现有图谱中。这不是自动能完成的事情，需要大量的人工或半自动流程。 第二，冲突消解。 同一个客户，在 CRM 系统里年收入 500 万，在风控系统里年收入 800 万。哪个对？两个系统各有各的数据源，各有各的更新频率。知识图谱需要一套规则来决定谁赢。 第三，指代归一。 "张三"、"Zhang San"、"小张"、"张总"——在不同系统里，它们可能指同一个人，也可能不是。实体消歧（Entity Resolution）是知识图谱领域几十年的老大难问题。解决得不好，图谱里就会出现幽灵节点——看起来是两个实体，其实是同一个。 第四，过期退场。 一条法规去年废止了，图谱里要不要删？删了，依赖它的节点和边怎么办？不删，AI 会不会引用过期信息？这是一个没有完美答案的问题。 最要命的是： 这四个问题会互相叠加。 节点越多，关系越复杂，冲突越多，归一越难，退场越危险。维护成本不是线性增长的， 它接近 O(n²)——节点翻倍，维护成本可能翻四倍。 我见过不少企业，兴冲冲地开始建知识图谱，三个月后发现维护团队的人数比开发团队还多。半年后悄悄降级回了 RAG。 符号式路线的问题不是它不好，而是它太贵。 五、Engram 的降维打击：20% 参数就够了 就在企业界为知识图谱的维护成本头疼时，DeepSeek 的 Engram 论文提出了一个让人重新思考底层假设的方案。 Engram 的核心思路用一句话概括： 把知识直接"编码"进模型的参数里，而不是放在外部数据库中。 这听起来很抽象。换个说法： 传统方式是给 AI 发了一本参考书（RAG）或一套索引卡片（知识图谱），AI 每次回答问题都要去翻书或查卡片。Engram 的方式是让 AI 把书背下来 。不是死记硬背，而是把知识的模式、关联、规律内化成自己神经网络中的参数权重。 三个关键数字让 Engram 格外值得关注： O(1) 检索。 传统知识图谱的查询复杂度和图的规模有关——图越大，多跳查询越慢。Engram 用了一种哈希查表的机制，查找任何知识的时间复杂度是常数。不管你存了 1 万条还 1 亿条，查找速度一样。 75/25 分割。 Engram 发现，一个模型最优的参数分配是 75% 用于推理、20 25% 用于记忆。这意味着你不需要为记忆功能单独建一个庞大的外部系统——模型自身预留四分之一的能力来存知识就够了。 存储与推理解耦。 这是 Engram 最革命性的洞察——知识的存储层不需要"理解"知识本身。它只需要做一件事：在被问到时，高效地把相关知识检索出来，交给推理层去使用。就像一个完美的仓库管理员，不需要理解每个零件的功能，只需要在你要的时候，一秒钟找到它。