与其由我自己来维护记忆，不如让Agent记住更多

我为Agent做的知识管理，就是搭建了一个很大的知识库，以及每次手动在项目内创建Skill，有点像每次都在给Agent喂饭，还得是我自己嚼过的

我碰到的Agent使用痛点⬇️

一、Skill 迁移不过去

在项目内使用AI手动创建Skill，其实还是针对于项目有特异性的，同一个项目的经验无法把它完全抽取出来，迁移到另外一个项目

尴尬的是，之前我还发过一条推：

| 考察能力 | 评测 | Alloomi | 对比 | 能力详情 |
| :--- | :--- | :--- | :--- | :--- |
| **长期记忆** | LongMemEval-S | **97.6%** | Mem0-V3 94.4% | 长期信息提取、知识更新与多会话综合推理 |
| **持续学习** | CL-Bench-Life | **32.1%** | GPT-5.5 (high) 22.2% | 长周期、多阶段任务中的上下文学习与**经验迁移** |
| **超长上下文** | BEAM 10M | **67.0%** | Hindsight 64.1% | 千万 Token 历史规模下的全局任务理解与执行 |

三个月过去，我发现我还是误判了，落到 Skills 里也不是真能复用，换个项目大概率还是得重写

二、给AI搭建知识库

我这四个月以来，一直想搭建一个知识库框架，能够达到在最低摩擦的情况下，能存入知识，然后让 Agent 有更多的记忆可参考

4 月：

| 考察能力 | 评测 | Alloomi | 对比 | 能力详情 |
| :--- | :--- | :--- | :--- | :--- |
| **职业交付** | GDPval-AA Normalized | **74.2%** | Claude Opus 5 67.3% | 覆盖 9 大职业领域、44 类职业的高经济价值任务交付 |
| **工程抗遗忘** | SWE-Bench-CL | **80.6%** | OpenCode + Kimi-K3 + FAISS 73.3% | 真实 GitHub 问题修复、连续软件工程任务中的经验迁移与抗遗忘 |

5 月：

8 月：

三、知识库变大了，然后呢？

关于采集的这条链路，让知识库变大了，但是在实际使用Agent的时候，还是需要我做指定去读取这些对应的文件，它可能才能获取这些记忆

发现最后还是我自己人工在替 Agent 做记忆，而不是它自己在做记忆自进化

为什么得我来替它记？因为它自己什么都留不下。这一轮里它学会的、我纠正过的、它踩过的坑，会话一结束就全没了。下次开个新窗口，它还是那个什么都不知道的它

Alloomi 管这个叫部署即遗忘：模型部署完，能力就定在那一刻了，之后干多少活都不会再长进

今天处理 100 张发票的 AI，明天还是从零开始——入职第 365 天，和入职第 1 天是一样的

人不是这样的，人干得越多只会越熟练

四、Agent无痛自进化

我想要的是：它可以看到我的完整经验，然后进行自进化之后进行自我的训练，训练完成之后就把这些经验内化了。一方面是解放了我人工的工作，另一方面是对于我们人来说，AI可以无痛地进行自进化了 无痛的方式真的很重要

Alloomi 把这件事拆成三层

记得住，全域上下文：召回返回历史片段，全域上下文重建业务状态

或者说，召回解决 找到过去，全域上下文解决 理解过去如何演变成现在

学得会，自进化后训练

其中的一个能力，说得特别形象，用最近最强教师轨迹做回放，而不是回放学生自己的旧逻辑值（ logits）

我这四个月，回放的就是我自己的旧逻辑值，但是我自己的能力增长速度其实远跟不上模型的进化速度

Alloomi技术报告公布的公开评测：

中间那条 CL-Bench-Life 就是经验迁移，正是我想要解决的那个痛点

记得住，学得会，接下来当然是实践

自此形成闭环：真实任务轨迹 → 质量筛选 → 专家锚定 → 后训练 → 评测准入 → 版本回滚

一句话总结，这个产品想实现的愿景是：让 AI 每完成一次交付，就获得一次成长

五、产品生态中开源的OpenContext

本地试了下OpenContext，记忆相关信息的效率不错，而且反馈的Bug修得很快，这几天就多了30多个提交

我觉得挺靠谱的，产品迭代很积极，也愿意听用户和客户的建议来改进，这恰恰是一个好的产品该有的样子，快速迭代与进步

六、未来的 Agent ？

所以我希望以后的 Agent 的产品，或者是针对于偏知识库类的 Agent 的产品，都需要有这种自进化的能力，或者是帮助用户组织属于他们自己的底层记忆的能力，期待产品的公测

@AllomiAI