“这个客户要求私有化部署，上周已经说过了。” “项目名称早就定了，为什么 AI 又换了一套？”“这条审批规则刚纠正过，怎么下次还会错？” 很多企业用了几个月 AI，最深的感受却是：它写得很快，但每天都像第一天上班。员工反复补背景、贴材料、纠正口径，原本想给自己找个助手，最后却多带了一位永远毕不了业的实习生。

问题可能不在模型够不够聪明，而在于它没有形成可用的企业记忆。工具调用让 AI 能动手，行动循环让它能推进任务，任务地图让它看清路线；记忆决定它下次见到同一件事时，能不能真正接着做。

企业工作是连续的，普通大模型的对话却常常是一次性的。客户需求会变化，项目会跨越多个阶段，团队也会形成固定口径。如果这些信息没有被保留下来，AI 每次接到任务时看到的都只有眼前这一段话。

以客户项目方案为例。第一次沟通后，团队已经确认核心目标、预算范围、交付边界，并决定某项功能放到二期。几天后客户补充需求，AI 本应沿用已有结论，只处理变化部分；如果它重新追问预算、再次写入已被否定的功能，员工就要从头纠正。

所以，企业 AI 真正融入业务的标志，不只是这一次写得好，而是下一次能接着做。

企业智能体需要的不是一整段聊天历史，而是对后续任务真正有用的记忆。在智能体研究中，Hermes 架构借鉴人类认知，将记忆划分为情节记忆、语义记忆和程序记忆。

情节记忆记录“发生过什么”。在这个项目中，它包括客户新增了数据分析需求、方案已经通过技术评审、某项功能被放到二期。它帮助 AI 接上任务进度。

语义记忆保存“已经确认了什么”。例如项目名称、报价口径、部署方式和数据权限边界。它帮助 AI 保持业务口径。

程序记忆沉淀“这类事情应该怎么做”。例如生成方案前要核对哪些信息、缺少材料时如何提示、对外发送前必须经过谁确认。它帮助 AI 复用企业的方法。

对应到企业语言，就是记进展、记规则、记方法。三层记忆共同构成智能体的长期记忆底座。

有了分层方法，下一步才是把记忆真正运行起来。一次项目沟通结束后，系统先从会议纪要、任务轨迹和正式文档中提取候选记忆；涉及关键需求、报价和权限的内容，经过人工确认后再分类写入。

当客户再次提出需求时，智能体根据当前任务检索相关记忆：从情节记忆中找回上次进度，从语义记忆中调出已确认边界，再从程序记忆中取得方案生成流程。随后，它只补充变化内容，并把新的确认结果更新回记忆系统。

这形成一条完整链路：任务产生记忆，记忆支持下一次任务，新任务又带来新的经验。企业智能体由此逐渐摆脱“一次性问答”。

企业每天都会产生大量聊天、邮件、文档和系统记录。把它们全部塞给 AI，看起来信息最完整，实际很容易让旧结论、临时讨论和无关细节一起进入上下文。保存得越多，不代表记得越准。

可用的记忆需要经过筛选：正式需求、已确认决定和稳定流程可以长期保留；随口讨论、重复表达和未经确认的推测不应直接沉淀。新任务到来时，系统也只取回与当前目标相关的少量内容。

好的记忆系统像一位靠谱的同事：该想起来时想得起来，不该翻旧账时保持安静。

客户预算会调整，项目负责人会更换，产品能力和企业制度也会更新。如果智能体一直沿用旧记忆，输出会越来越自信，也越来越过时。

因此，重要记忆需要带上来源、时间、适用范围和当前状态。新信息与旧结论冲突时，系统应提示复核；临时信息可以设置有效期，正式制度以最新版本为准。旧记忆需要能够被修正、失效或遗忘。

回到前面的项目：如果客户把预算从第一阶段调整到整体建设，AI 不能同时保留两个预算口径并自行选择，而要识别冲突、请求确认，再更新为新的有效版本。

企业记忆还必须可信。一条结论应当能够追溯到会议纪要、正式文档、业务系统记录或用户明确确认的内容。模型的推测不能悄悄变成企业事实，敏感信息也不能因为出现在某次对话里就被长期保存。

工程上可以通过命名空间隔离、基于角色的访问控制和版本管理，将个人、项目与组织记忆分开。项目成员只能读取授权范围内的项目记忆，制度规则由指定负责人维护，关键更新保留变更记录。

企业不仅要知道 AI 记住了什么，还要知道它从哪里得出、谁确认过、何时更新，以及谁有权使用。

任务地图管今天，记忆管明天。

任务地图让智能体知道这一次要做什么、做到哪里、还缺什么；记忆把任务中确认的事实、规则和经验留给下一次。两者结合，企业智能体才能形成连续工作的闭环。

还是那份客户方案：任务地图推进需求梳理、资料查询、方案生成和人工确认；任务结束后，记忆系统沉淀客户关注点、已确认边界、有效模板和待跟进事项。客户下一次补充需求时，智能体可以直接接着做。

判断企业 AI 是否真的好用，可以看一个很朴素的指标：同一件事，你还要解释多少遍？企业需要的不是一个什么都保存的 AI，而是一个记得准确、找得及时、用得合适、查得到来源的智能体。

下一篇，我们将继续讨论智能体如何从记忆和知识库中找回正确的信息，以及为什么“资料找到了”仍可能“上下文用错了”。如果您也遇到过 AI 反复追问、口径不一致或旧信息干扰新任务的问题，欢迎把这篇文章转给正在推进企业 AI 的同事一起讨论。

如果您的企业正在建设内部知识库、智能问答系统或业务智能体，尤其遇到复杂文档处理、表格问答、图纸资料理解、多部门权限控制、答案来源追溯等问题，欢迎与广东省制造业协会人工智能与机器人专委会联系咨询。

图片来源于网络，如有侵权请联系删除

编辑：刘颖、叶健文、吴伟佳