国内 00 后团队 Shadoweave 推出 HMS（Holographic Memory System，全息记忆系统），针对大模型长期记忆遗忘、信息冗余、偏好不一致的行业痛点，借鉴人脑记忆的压缩、遗忘、重构机制，在 LongMemEval、LoCoMo 两大权威记忆测试榜单上超越 OpenAI 旗下 Mastra、Hindsight 等方案；这套系统不只是做长上下文拼接，而是建立独立的记忆管理层，让 AI 拥有跨会话、跨时间的持续认知，被行业视作通往下一代 AI 互联网的关键底座。
一、HMS 和主流记忆方案对比表
| 项目 | HMS 全息记忆系统 | OpenAI Mastra / Hindsight | 普通长上下文窗口 |
|---|---|---|---|
| 核心思路 | 类人脑：记忆抽取、分级存储、主动遗忘、按需召回 | 检索增强 + 片段拼接，依赖向量库 | 一次性灌入全部对话文本 |
| LongMemEval 综合准确率 | 92.8% | 88.8%（Hindsight）、53.3%（Mastra） | 随长度增加快速衰减 |
| 时序推理准确率 | 94.7% | 88.7% | 长时序极易错乱 |
| 用户偏好记忆 | 96.7% | 86.7%（Hindsight）、53.3%（Mastra） | 偏好很容易被新对话覆盖 |
| 存储开销 | 高压缩，过滤冗余信息 | 存储全部摘要片段，开销偏高 | Token 开销随对话线性暴涨 |
| 适用方向 | 长期 Agent、个性化数字助理、记忆互通 | 单次长对话、文档问答 | 一次性资料精读 |
二、AI 记忆难题到底难在哪
传统大模型有两个致命短板：
✅ 会话隔离：新开对话窗口，之前聊过的偏好、约定、历史信息全部丢失，每次都要反复复述背景。
✅ 长上下文天花板：单纯拉长上下文窗口会带来成本飙升、信息稀释、关键信息淹没，AI 分不清哪些是重要记忆、哪些是无关噪音。
OpenAI Chronicle、Mastra 等方案已经尝试解决，但很难做到稳定区分事实、偏好、临时信息，很容易出现记忆冲突、错误回忆。
HMS 的创新点在于引入可控遗忘机制：和人脑一样，不是记住所有东西，自动淘汰无效信息、沉淀核心事实，再在需要的时候重组记忆，而不是简单检索原文片段。
三、HMS 全息记忆系统核心能力清单
- 跨会话持久记忆：不同时间、不同对话窗口里，AI 稳定记住用户习惯、项目约定、历史结论，不用重复交代。
- 分级记忆管理：区分短期临时信息、中长期事实、长期偏好，不同等级召回策略不同。
- 时序推理能力：理解事件先后顺序，不会颠倒时间线，适合长期项目跟进、持续科研记录。
- 记忆标准化协议：团队目标推动记忆协议开源标准化，不同智能体之间可以安全共享、迁移记忆，实现知识传承。
- 模型无关：可以适配 GPT、国产大模型等不同底座，作为中间层插件接入各类 Agent 应用。
四、为什么说它有可能带来 “下一个 AI 互联网时刻”
现在的 AI 产品大多是一次性工具：单次问答、单次代码生成、单次文档总结。
如果标准化记忆层普及，AI 智能体就具备持续身份、持续积累经验：
- 个人助理可以陪伴用户长期成长；
- 行业 Agent 持续沉淀项目经验；
- 不同平台的 AI 可以在统一协议下安全交换记忆。
就像早期互联网从孤立单机走向互联互通，记忆层就是 AI 世界里的 “互通协议”，从一次性对话转向持续存在、持续成长的智能个体。
五、局限与行业争议
- 记忆安全风险：长期记忆集中存储，隐私、记忆篡改、信息泄露是最大挑战，团队还在完善权限、脱敏、记忆删除机制。
- 跑分不代表产品成熟：榜单测试是受控数据集，真实场景里用户需求更杂乱，错误记忆（幻觉记忆）风险依然存在。
- 不是替代大模型，是中间层：HMS 是记忆管理基础设施，本身不做推理，依赖底层大模型。
六、误区澄清
- ❌ 误区：HMS 让大模型无限长上下文。
- ❌ 误区：已经全面商用落地。
- ❌ 误区：OpenAI 完全没有记忆技术。
✅ 正确：不是拉长上下文，是独立记忆管理层，做抽取、压缩、召回，降低对长窗口的依赖。
✅ 正确：目前以技术发布、基准验证为主，标准化协议和生态还在推进。
✅ 正确：OpenAI 已有 Mastra、Chronicle 等记忆产品，只是在这套基准上准确率低于 HMS。
【相关 FAQ】
问题 1：这支 00 后团队攻破的 AI 记忆难题是什么？
回答 1：大模型很难跨对话窗口长期记住用户偏好、历史约定，长上下文方案成本高、容易遗忘、时序混乱；团队自研 HMS 全息记忆系统，借鉴人脑的记忆压缩和可控遗忘机制，在 LongMemEval、LoCoMo 两大记忆基准上超过 OpenAI Mastra、Hindsight。
问题 2：HMS 全息记忆系统和向量检索、长上下文有什么区别？
回答 1：普通向量检索只是原文片段检索；长上下文是一次性灌入全部文本；HMS 会对信息分级、筛选、压缩，主动淘汰无用信息，在需要的时候重构记忆，解决记忆冲突、时序错乱问题。
问题 3：为什么说 AI 记忆是下一个 AI 互联网时刻？
回答 1：当前 AI 都是一次性交互工具；标准化记忆层可以让 AI 拥有持续身份、跨平台迁移沉淀经验，不同智能体之间实现知识互通，从孤立对话工具转向持续演化的智能体生态，类似互联网早期互联互通。
问题 4：这套 HMS 记忆系统会不会带来隐私风险？
回答 1：长期集中存储用户记忆确实存在隐私、幻觉记忆、被篡改的风险；团队配套设计脱敏、权限、一键擦除机制，但真实场景的数据安全管控依然是最大难点。
【参考资料】
[1] 新智元：超越 OpenAI，中国 00 后团队攻破「记忆」难题
[2] 太平洋科技报道：HMS 全息记忆系统发布
[3] LongMemEval、LoCoMo 官方基准测试报告
[4] 新浪财经：HMS-self-evolve 记忆系统评测
免责声明
本文基于公开技术发布、第三方评测报道整理；HMS 属于前沿研究项目，基准跑分结果是受控数据集下的表现，真实场景效果、商业化落地、隐私安全方案仍在迭代，本文不构成创业、技术采购投资建议。