阿里云PolarDB Agent Memory标准版在中国内地市场，每万条记忆每小时的计算与存储资源费用为0.015元。按记忆数量始终保持一万条计算，30天对应费用为10.8元，模型调用费用另行计费。这一价格水平表明，AI记忆的基础存储成本已降至较低区间，但围绕这一能力的竞争正在明显升温。
OpenAI的ChatGPT、Anthropic的Claude和Grok均已提供跨对话的个性化能力，数据库厂商与独立记忆服务商则试图将记忆能力输出给更多应用。Mem0在2025年10月公布种子轮与A轮合计2400万美元融资，同期披露的API调用量从当年第一季度的3500万次增至第三季度的1.86亿次。各方争夺的核心，是用户与企业已经积累的工作信息，包括反复交代的要求、处理过的异常、否决过的方案以及完成一半的工作。保存几句话的成本可以很低，但让这些积累在下一次任务中继续发挥作用，会影响用户将工作交给哪家服务，以及是否愿意更换供应商。
聊天记录并不等同于工作经验。AI应用可以保存大量对话，长上下文模型也能一次读入大量文字，但完整历史中既有最终决定，也有被放弃的方案；既有长期偏好，也有一次性要求。下一次任务开始时，模型仍需判断哪些内容相关、哪个版本有效。阿里云AgentRun将长期记忆、会话历史与会话状态分开管理：长期记忆保存跨会话的偏好和信息，会话历史保留完整消息，会话状态保存当前任务的变量与进度。用户发出“请继续”指令时，系统既需要了解其一贯要求，也需要知道本次任务的进展，不能将上一回的完成状态套用到当前任务。
项目变更场景更能体现这一差异。某个方案经过讨论被否决后，历史记录中仍会保留大量支持该方案的理由。若仅按文字相似程度检索，旧方案可能比一句简短的取消决定更容易被找到，系统即使准确找回了原话，也可能继续执行一项已经不应执行的任务。记忆必须保留决定之间的先后顺序和适用范围，才具备成为经验的条件。LongMemEval基准设计了500个问题，考察信息提取、跨会话推理、时间关系、知识更新以及无法回答时的克制能力，其小规模版本单条测试历史约有40次会话、11.5万Token。找出一个名字，与辨认此人后来更换了职责，属于不同层级的要求。
将历史反复交给模型处理，首先面临输入与等待成本。Mem0团队2025年的LoCoMo实验中，完整上下文方案每次查询使用约26031个Token，Mem0记忆方案为1764个Token；总响应时间的第95百分位分别为17.117秒与1.440秒。但完整上下文的模型裁判评分为72.90％，Mem0为66.88％。这组结果呈现出明确取舍：检索记忆大幅减少了输入量与等待时间，而完整历史在该次实验中仍获得更高评分。减少材料读取有收益，也存在遗漏条件的风险。
Redis研究团队2026年发布的LongMemEval测试中，仅使用提炼记忆时，六类任务平均准确率为71.2％；同时检索原始片段与提炼事实时，准确率达到86.1％。该次测试包含500个问题，采用模型裁判评分，两种配置差距为14.9个百分点。提炼事实适合合并跨会话信息、整理变化，原始片段则保留容易被摘要省略的名字、日期和具体措辞。一次例外在当时可能并不起眼，下一次却可能恰好决定任务能否执行，保留原始内容相当于为后续判断留下回查材料。两项研究使用不同测试与配置，分别回答了减少材料读取的代价与如何降低信息损失，不能拼接为不同产品的排名。
企业最终需要核算的还包括维护与返工成本。相同要求被后续任务多次调用时，前期整理才有机会反复使用；文档修改越频繁，抽取、索引和更新的投入也会增加。缓存能够降低重复输入价格，检索本身同样需要计算，账单不会只剩存储一项。更大的损失可能发生在答案生成之后：漏掉一个交付条件，后续需要补问、重做和人工修正，节省的Token会被返工成本抵消。采购者真正关心的，是一项工作从交给AI到完成共花费多少时间与费用。
技术选择已经进入日常产品。ChatGPT可以使用历史对话、保存的记忆和自定义指令，在支持的套餐、地区与设置下还可使用已保存文件及连接应用的内容，并提供记忆摘要，在回答下方展示参与个性化的来源，用户能够回看或纠正，但摘要与来源均非完整清单。Claude将按主题保存的记忆与历史对话检索分别提供，当前版本可在聊天过程中保存记忆，也可搜索旧对话，检索会显示为工具调用；Chat与云端Cowork可以共用记忆，本地运行的Cowork暂不适用。Grok官网同样列出跨聊天记忆功能，X端还提供基于公开资料、帖子、互动和兴趣的个性化机制，并设有独立控制项。三家的信息来源与控制方式不同，共同目标是减少用户重复交代的劳动。需要指出的是，此处讨论的是产品如何保存和使用上下文，并非模型将每条个人信息永久写入权重，用户感知到的连续性来自模型与外围系统的协同工作。
这也给独立记忆服务带来竞争压力。如果需求仅限于记住职业、文风和常用工具，平台内置功能可能已经够用。第三方服务继续收费的理由，需要进入更复杂的工作场景：多个模型能否使用同一份经验，不同成员能否按权限调用，业务变更后能否及时纠正。在偏好保存成为基础能力之后，可靠地复用工作积累才是更难替代的部分。
数据库厂商在这一领域具备自身位置。企业需要AI记住的信息往往已与实际业务相连，更新也发生在业务系统之中。Oracle的Agent Memory产品说明曾列举物流场景：工厂每周需要特定物料，运输人员需要相应资质，交付须在指定时间前完成，这些要求需要在多次排程中保留并随业务更新。系统记住一句话之后，必须知道它对应哪家工厂、哪批货物以及何时有效。若记忆服务另存了一份要求，而业务系统修改后记忆未同步变化，AI可能熟练地安排一条已经过期的流程。Oracle将更新、到期和级联删除列为产品能力；腾讯云Agent Memory则区分个人、智能体与团队记忆，团队共享需要明确授权，默认私有。一条经验能否复用，不能只看内容是否正确：某个客户的特殊要求若丢失归属，可能被用于其他客户；一次临时例外若被保存为团队通用规则，同样会带来执行偏差。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
