“当 Agent 不再是昂贵的实验品，而是像水和电一样的基础设施时，真正的 AI 时代才算真正降临。”
作者丨岑峰
2026 年，大模型行业的叙事中心正在经历一场痛苦但必然的位移：从追逐参数规模的“算力竞赛”，转向追求任务落地的“工程突围”。在这场位移中，AI Agent无疑是最被寄予厚望的终极形态，但它正面临一堵名为“Token 焦虑”的围墙。
为什么 Agent 的普及如此之难？因为我们正处于一种极其低效的生产模式中：为了让 Agent 维持对话的连贯性，系统不得不反复加载数万字的上下文；一次简单的任务调度，往往伴随着不可预测的高昂账单；而数据隐私在端与云的频繁传输中，更是变得岌岌可危。
Agent 的普及，正困在安全、成本与智能的“不可能三角”中。
但这究竟是模型推理的硬性支出，还是系统基建效率低下的隐形成本？为了拆解这一本质命题，雷峰网举办了“从 Token 焦虑到记忆革命”主题的GAIR Live线上圆桌。论坛由雷峰网岑峰主持，特邀：
李志宇 记忆张量 MemTensor 联合创始人兼 CTO；
闫宇坤 Qiyuan Lab 副研究员 清华大学 THUNLP 实验室客座研究员
两位专家，通过圆桌讨论，揭示了智能体基建如何通过“空间分流”与“时间管理”，重构 AI Agent 的成本价值秩序：闫宇坤领导的 EdgeClaw 试图通过“端云协同”的物理分级，从架构源头切断无效 Token 的消耗；而李志宇掌舵的 MemTensor 则通过“记忆工程”，在既有架构下通过精细化的状态管理榨取极限效率。
01
从“聊天框”到“任务操作系统”的范式跃迁
讨论的核心共识在于：我们正处于从“对话模型”向“任务执行系统”跨越的关键期。
年初 OpenClaw的爆红，本质上是全球开发者对“智能体操作系统”雏形的集体狂欢，但狂欢之后是沉重的成本账单。闫宇坤指出，目前的 Agent 依然处于“蒸汽机时代”，虽能拉动生产力磨盘，却因为频繁加载背景信息产生了巨大的资源浪费。“有时一句简单的‘你好’，可能因为重复加载背景信息而消耗五六万 Token。”
这种低效直接导致了商业闭环的断裂。当 Agent 想要具备真正的“生产力”，它必须从单一任务执行向跨领域协作跃迁。而这种跃迁的前提，是必须解决安全、成本与复杂度这三座大山。
02
空间破局：端云协同与隐私物理分级
针对“Token 焦虑”，闫宇坤代表的 EdgeClaw 给出了空间维度的答案：端云协同，从架构源头切断无效损耗。
EdgeClaw 提出了一套“安全高效并行龙虾养殖技术”，其核心逻辑是将端侧定义为“个人秘书”，负责隐私隔离与日常处理；将云侧定义为“行业专家”，负责处理高难度、非敏感的复杂逻辑。
EdgeClaw设置了三级隐私分级路由，通过将任务分为“公共级（S1）”、“脱敏级（S2）”和“本地级（S3）”，Agent 能够自主决定数据的流向。这不仅锁定了安全的下限，更重要的是，它通过在端侧预处理、脱敏和精简，大幅减少了发往云端的“废料 Token”。
闫宇坤算了一笔极具冲击力的财务账：一台高性能端侧显卡的采购成本，仅相当于高频调用三四个月云端顶级 API 的费用。这意味着，本地硬件正在从“变动费用”变为“固定资产”。一旦任务迁移至本地，边际成本趋近于零。这种财务结构的重构，将彻底激发 Agent 在垂直场景下的真实潜能，让用户不再因为“担心账单”而对 AI 畏手畏脚。
03
时间管理：从“提示词工程”到“记忆工程”
如果说端云协同解决了“在哪里计算”的问题，李志宇掌舵的 MemTensor 则解决了“如何有效记住”的问题：将行业视野从空间转向时间，从暴力堆砌上下文转向精细化的记忆分层。
李志宇提出了一个直击本质的观点：“在 Agent 的账单里，回忆比记住更烧钱。”
过去，行业普遍迷信“超长上下文（Long Context）”，认为 128K 乃至 1M 的窗口能解决所有问题。但暴力堆砌上下文的后果是成本的指数级爆炸。MemTensor 倡导的“记忆工程”，强调对记忆进行分层管理：
明文记忆（Textual Memory）：快速写入，但读取成本高；
参数化记忆（Parametric Memory）：通过训练将知识内化，读取极快但写入代价大；
激活记忆（KV Cache 管理）：优化计算中间态，提升响应速度。
为了对抗高频、重复加载带来的账单爆炸，MemTensor 引入了操作系统管理内存的逻辑。通过“Agentic 抽取”模式，系统不再是被动地存储文本片段，而是主动识别信息的完备性。
例如，当用户提到“老地方”时，系统会在写入阶段就完成溯源和补全。这种精准调度能力，能将原本需要召回的 10K 上下文压缩至 6K 的精准片段，从而在不损耗智能的前提下实现成本的极限下探。
04
价值重构：记忆作为未来的“数字资产中心”
圆桌另一个深刻共识是：记忆管理不仅是降本增效的手段，更是Agent时代未来 AI 商业模式的基石。
李志宇提出了一个颠覆性的愿景：“记忆市场（Memory Store）”：在长期交互中，一个 Agent 吸收了大量专业领域的思辨逻辑和专家经验，这些被参数化、结构化的记忆包，本身就是极具商业价值的资产。当记忆可以被脱敏、打包并上架，用户订阅的将不再是一个冷冰冰的通用模型，而是一段被内化的智慧，也进一步将记忆从成本中心彻底转变为价值中心。
闫宇坤则补充了“智能自演化”的概念。本地模型由于拥有私有数据和持续交互，会自发进行“蒸馏”和“对齐”，这种“越用越聪明、越用越便宜”的成长性，是云端通用模型无法提供的核心护城河。
05
迈向“智能体力资源管理”时代
2026 年已近三分之一，Token 焦虑的破局点已经明朗：破局的关键不在于等待大模型单价的下降，而在于系统工程的全面优化。
未来的社会将进入“智能体力资源管理”的时代。就像我们要对人力资源进行合理配置一样，未来我们也需要根据任务的难度、隐私等级和成本敏感度，在分布式节点中合理分配智能资源。
当 Agent 不再是昂贵的实验品，而是像水和电一样随处可得、成本可控的基础设施时，真正的 AI 时代才算真正降临。
以下是此次圆桌讨论的精彩分享，AI 科技评论进行了不改原意的编辑整理：
Token 焦虑的根源：AI Agent落地的生死线
岑峰：各位嘉宾、朋友，晚上好。欢迎参加由雷峰网主办的 GAIR Live 线上圆桌。
今年以来，AI Agent 领域经历了一场大起大落。从年初OpenClaw（俗称“龙虾”）引爆开发者社区，到近期监管层面关注智能体的数据安全，市场情绪在狂热与焦虑间反复。虽然智能体在调用工具、处理复杂事务上的效率令人惊叹，但随之而来的高昂API 账单却成为其从“实验室玩具”走向“生产力工具”的最大障碍。
究其原因，智能体为了维持对话的连贯性与个性化，往往需要重复加载数以万计的上下文 Token。这种低效的“记忆”方式导致了严重的“Token焦虑”。今天我们想深挖一个本质命题：这些烧掉的资源究竟是模型推理的硬性支出，还是系统基建效率低下的隐形成本？在安全、成本与智能这三者构成的“不可能三角”中，我们是否只能三选二？
为此，我们邀请了两位具有代表性的专家，从端云协同与记忆管理两个视角，共同拆解这一难题。
接下来，有请两位专家简单介绍自己的相关工作，以及对Token焦虑和技术破局的理解。
闫宇坤：感谢岑老师。在深入探讨之前，我们需要审视大模型形态的演进：我们正从单纯的“对话式模型”转向“专业智能体系统”，即从简单的交流转向特定的任务执行。
OpenClaw 及类似产品的出现，标志着“智能体操作系统”的诞生。它们实现了从单一任务执行向灵活能力定制的跨越。然而，目前的 OpenClaw虽然展现了机器人控制、生物实验等炫酷场景，其本质仍依赖于人工定制的Skill。它目前的处境就像汽车刚发明时的样子——虽不华丽且故障频发，但它预示着一个新时代的到来。要让智能体真正普及，必须解决三个核心痛点：安全保障、使用成本与任务复杂度。
以 OpenClaw 为例，如开发者 API Key 泄露隐私安全问题频出，且运行成本极高。有时一句简单的“你好”可能因为重复加载背景信息而消耗五六万Token，此外，目前多数智能体仅能处理简单任务，尚无法完成跨领域的复杂协作。
针对这些问题， EdgeClaw采用了端云协同范式。我们将这种模式戏称为“安全高效并行龙虾养殖技术”。
在我们的架构中，端侧模型被定义为“个人助理”的“秘书”角色，它不需要极强的逻辑推理能力，但必须深度理解用户行为和偏好。端侧是用户的安全下限，负责隐私隔离；云侧则是“行业专家”，负责性能上限。它部署千亿级参数模型和专业工具，但与用户隐私物理隔离。
这就好比家庭医生与专科医生的协作：小病小痛由端侧医生直接开药解决；遇到疑难杂症，端侧医生负责整理病历、剔除敏感信息，再一次性提交给云侧专家。这种方式既保证了隐私，又通过减少冗余交互降低了Token 成本。
另外，EdgeClaw 引入了核心的“模型路由”机制，根据任务的隐私敏感度进行分级处理，定义数据安全边界：
S1 级（公共级）： 无任何隐私风险。如进行公开信息调研，任务直接由云端模型执行。
S2 级（脱敏级）： 涉及部分隐私。如代码审查任务中包含 API Key，先由端侧模型识别并隐去敏感字段，再将脱敏后的数据发往云端。
S3 级（本地级）： 高度敏感任务。隐私信息本身即是任务核心，脱敏后无法执行，此类任务强制在端侧本地运行。
除了安全分级，我们还引入了“项目记忆”机制。不同于传统的时间轴记忆，它按项目聚合信息，有效防止多任务并行的记忆混淆。此外，系统内置“性价比路由”，根据不同模型的Token 单价和任务难度，自动匹配最优执行路径。实测显示，在图文内容创作等场景下，EdgeClaw 可将综合成本降低约 80%。
李志宇：刚才宇坤谈到了架构上的分流，我从“记忆管理”这一系统视角来回应。MemTensor 的核心逻辑是以认知能力驱动第一性原理建模。
回顾 AI 交互的发展：2024 年初，用户主要在做 Prompt Engineering，通过调优提示词激发模型预训练能力，但模型往往“转头就忘”，新开窗口即丢失所有个性化设定。随后，随着模型支持 128K乃至 1M 的超长上下文，行业进入了 Context Engineering阶段。然而，暴力堆砌上下文会导致成本呈指数级爆炸，这就是“龙虾”这类应用最初被诟病烧钱的原因。
我们倡导并推动 Memory Engineering（记忆工程）。它不是简单地增加窗口长度，而是对状态进行全链路管理，让智能体不仅能“记住”，还能在交互中“学习”，实现越用越聪明。
我们将记忆管理拆解为：抽取、组织、检索、更新、共享五个步骤。在实际业务流中，记忆的抽取和更新最容易产生幻觉，例如模型错误归档用户信息。为了解决这些问题，MemOS提出了业界首个三层分层记忆模型：
第一层：明文记忆（Textual Memory）。 写入速度最快，但读取效率低。在跨场景调用时，大规模文本的重复加载成本极高。目前很多 API 厂商提供的“缓存命中优惠”本质上就是在优化这一层。
第二层：参数化记忆（Parametric Memory）。 通过模型训练将知识内化进权重。读取极快，能随主链路激活，但写入（训练）代价高昂，无法满足实时更新需求。
第三层：激活记忆（Activation Memory）。 介于两者之间。通过对计算过程中的中间态进行管理，可以极大提高首字延迟和 Token 补全效率。
MemOS 目前在云服务端的月调用量已突破 3500万次，开源社区关注度极高。我们的商业逻辑分为四个层级：
按 API 调用收费： 为云端 Agent 提供记忆增强服务。
按设备授权收费： 与手机、硬件厂商合作，部署本地化记忆模型。
按 Token 优化分成： 通过 KV Cache 管理和浅层优化直接降低客户的 Token 账单，从节省的成本中获利。
云算力协同： 与 GPU 云厂商合作，优化底层存储与计算效率。
我们认为，记忆管理绝非调调 Prompt 那么简单。它是一场涉及存算效率、模型对齐和系统调度的全方位战争。
用“物理分级”与“记忆工程”击穿成本黑洞
岑峰：感谢两位的分享。针对 Token 焦虑，两位呈现了不同的解题路径。EdgeClaw 是从架构重构入手，通过“端云协同”和“物理分级”从源头上切断无效 Token的消耗；MemOS 则是从系统优化切入，在既有架构下通过“记忆分层”和“智能调度”榨取极限效率。
接下来回到用户视角，Token焦虑最核心的痛点究竟是什么？是单次对话的昂贵感，还是账单的不可预测性？
闫宇坤：用户焦虑的根源确实涵盖了这些方面。目前最尖锐的问题在于透明度的缺失。大多数用户可以接受为价值付费，但无法接受算力成本的无端损耗。比如用户仅仅输入一句简单的问候，系统可能因为重复加载背景信息或调用了不必要的复杂模型，瞬间消耗数万Token。因此，我们必须从架构层面建立完善的消耗统计与日志系统，首先让用户“钱花得明白”。
在建立透明度的基础上，我们需要解决“性价比偏好”的对齐问题。性价比本身是一个极具主观色彩的概念：某些任务交给端侧微型模型处理只需几分钱，而交给顶级云端模型可能耗资数百倍。我们希望赋予Agent 遵循用户价值观的能力。如果用户倾向于极致节省，Agent 应该学会如何在保证基本任务完成的前提下，优先使用端侧资源。
此外，我们还在探索一种动态演化的路径。最初，Agent 解决复杂任务可能需要频繁向云端专家“求助”，产生较高的 Token成本。但随着交互的深入，系统会自动记录云端的执行经验与思维模式，并逐步将其蒸馏、迁移至端侧模型。这意味着随着使用时间的增加，端侧模型的成功率会不断提升，整体成本随之呈现出持续下降的曲线。这种“越用越便宜”的成长性，才是缓解用户长效焦虑的关键。
岑峰：宇坤提到的确定性诉求非常关键。但在工程现实中，像“分析五年来的邮件并生成洞察报告”这样的复杂的任务往往会跨越不同敏感等级的数据。这种精细化的分级路由，是否会因为判断逻辑过于复杂而增加系统负担，反而抬高了整体工程成本？EdgeClaw又是如何精准定义本地处理与云端协作的边界？
闫宇坤：频繁的路由判断确实是一把双刃剑。在最初的设计中，我们曾尝试在每次模型调用时都进行一次隐私和性价比检测，但这直接导致了明显的感知延迟和计算冗余。更严重的是，云端服务通常具备上下文缓存复用机制，频繁的路由切换如果打乱了这种连续性，反而会导致 Token 成本上升。
为了平衡这一矛盾，我们在工程上采取了“分段判别”的策略。我们不再对整个宏观任务进行一次性判断，也不再对每一次原子化的 API 调用进行干预，而是将判断逻辑锚定在Agent 与 Sub-agent的交互节点上。这种中等颗粒度的控制，既能保证隐私协议不会在复杂链路中失效，又将判断频率降到了系统可承受的范围内，有效缓解了延迟。我们在“小红书内容创作”场景下的实测数据证明，这种策略在保持产出质量的前提下，能将原本 10美元以上的任务成本大幅压缩至 2 美元左右。
至于如何定义本地与云端的边界，这是一个典型的个性化命题。EdgeClaw 提供了一套包含 Prompt描述和任务标签的默认配置。系统会初步判断一个任务是属于逻辑深奥的“推理型”还是流程简单的“执行型”。同时，我们支持用户介入修改这些判别规则。更前沿的一点是，我们正在引入“路由自演化”机制，通过收集用户对任务结果的反馈，让路由器自发学习并对齐用户的性价比倾向。这种逻辑与目前的技能自演化异曲同工，最终让模型能够通过学习，自主识别哪些任务该留在本地，哪些必须上云。
岑峰：宇坤给出了空间维度的答案，现在我们将视角转回时间的维度。志宇，您提到记忆机制对节省 Token 至关重要。但我希望明确一个认知：这些Token 是在记忆“存储”环节省下的，还是在记忆“检索”环节省下的？换言之，在 Agent 的成本账单里，究竟是“记住”更烧钱，还是“回忆”更烧钱？
李志宇：这是一个直击本质的问题。如果将 Agent记忆的五个闭环（抽取、组织、检索、更新、共享）进行成本拆解，我的结论非常明确：回忆或者说检索与加载才是真正的高频算力黑洞。
“记住”的过程主要发生在写入阶段，涉及记忆的抽取、总结与结构化处理。虽然这个过程需要模型去判断是否去重、是否进行参数化转化，但它相对低频，通常是一次性投入。只要没有发生大规模的信息更新，一条信息一旦入库，其存储成本是恒定的。
相比之下，“回忆”是每一次推理行为的必经之路。如果没有高效的记忆系统，Agent会表现得非常“暴力”：哪怕用户提出一个“你好”这样的简单问题，系统为了维持个性化，可能会从后台检索出数个庞大的Markdown 文档或长达上万字的对话摘要，一股脑地塞进 Prompt。这种高频、海量的重复加载，是导致账单爆炸的主因。
因此，MemOS系统的优化核心在于提升“写入质量”以反哺“检索效率”。我们致力于将冗长的历史对话转化为更紧凑、可复用的记忆片段。这好比做菜，如果在准备阶段（写入）能把菜择得干净、切得标准，那么在炒菜（推理）时，不仅速度快，还能最大限度避免废料产生的无效热量。总结来说，虽然烧钱的行为发生在后期的回忆阶段，但解决问题的源头必须回到写入阶段的精细化建模上。
岑峰：提到“精细化建模”，MemOS 将长时记忆切分为片段并进行选择性加载。但在实际应用中，“必要记忆”的界限非常模糊。如果 Agent因为追求节省而漏掉了关键信息，导致用户不得不进行多轮澄清，省下的 Token会不会被增加的对话轮次所抵消？这种系统优化的天花板在哪里？
李志宇：这确实是所有开发者最担心的问题。在记忆系统中，我们遵循“Garbage in, Garbage out”的原则。所谓的“必要记忆”，既不是压缩比例越高越好，也不是保留原文越多越好。
如果压缩过狠，比如将其完全转化为高度抽象的知识图谱，虽然节省了空间，但会丢失大量的逻辑上下文，对模型的推理能力要求极高。如果采取“懒惰记忆”模式，仅做简单的文本切片，虽然处理速度快，但片段之间缺乏语义和版本的关联，召回时往往碎片化，难以支撑复杂的长程决策。
我们定义的“必要记忆”是一种“最小自包含状态”。举个例子：用户说“请帮我预定星期五在老地方的聚会”。传统的系统可能直接把这句话存下来，但当 Agent以后回忆起这条信息时，它会对“老地方”感到困惑。
在 MemOS的逻辑中，系统在抽取时如果发现信息不完备，会触发“等待”或“溯源”机制：要么从历史库中找寻“老地方”的定义，要么等待下一轮对话补全信息后再进行存储。我们追求的是在抽取阶段就将检索、推理与任务规划融合在一起。近期我们开源的MemReader模型就在尝试这种“Agentic 抽取”模式：让模型主动识别当前信息的完备性，确保每一个存入的片段都是最小且逻辑闭环的。
实测显示，通过这种“预判式”的存储，我们可以用更少的记忆片段实现同等甚至更高精度的回答。原来可能需要召回 10K 的上下文，现在只需 6K左右的“自包含片段”就能解决问题。这种精准调度的能力，决定了系统优化的天花板，它不仅减少了无效的回忆，更从根本上规避了因信息缺失导致的行为反弹。
范式之变：端侧算力的“极限压榨”与跨平台记忆资产化
岑峰：总结这一轮的讨论，我们达成了两个关键共识：Token 焦虑的本质是系统行为的不可预测性，端云协同通过物理分级重新构建了这种确定性；而 Token消耗的大头在于高频的回忆环节，系统优化通过精准切分，减少冗余信息的无效加载。
我们进一步讨论技术问题，我们注意到 EdgeClaw的路线图高度强调本地模型的作用。目前端侧算力与模型能力正呈指数级增长，那么未来是否会出现一种可能，当本地模型足够强大时，云端模型将失去其逻辑中枢的地位，退化为仅负责联网检索的辅助插件？
闫宇坤：关于本地模型的边界问题，我们需要从硬件与算法两个维度动态观察。虽然我个人对本地能力的全面爆发持乐观态度，认为越来越多的复杂任务将回归端侧，但在可预见的阶段内，云端模型依然保持着性能上限的优势。
本地模型的深远意义在于，它正从单纯的隐私“防火墙”进化为智能体的“个性化演化中心”。当智能体真正作为生产力工具进入专业领域时，会产生大量无法上云的极细分、极专业的垂直任务。云端大模型受限于商业成本与通用性标准，很难为每一个用户提供定制化的微调服务。
而本地硬件的成熟，为智能体的“自演化”埋下了伏笔。未来一两年内，随着敏捷微调和在线学习技术的落地，本地模型可以在与用户的持续交互中，实时吸收行业 Know-how和个人偏好。这种基于本地专用硬件、模型与垂直数据的闭环，将构建出比云端更具深度的专业技能。
此外，端云协同只是第一步，未来的前进方向是“多节点协同”。不同的本地模型可能具备不同的专业能力，通过端与端、节点与节点之间的协作，可以实现比单一云端中枢更高效的任务分发。总结来说，云端将愈发趋向于通用智能的输出，而本地侧则负责专业化与个性化的深度沉淀。
岑峰：宇坤描绘的端云分工极具前景，但这也引发了另一个疑虑：对于个人用户或小微企业而言，购买高性能端侧硬件本身就是一笔不菲的“隐性成本”。EdgeClaw如何平衡硬件投入与 Token 节省之间的财务账本？
闫宇坤：硬件门槛确实是一个客观存在的成本。以目前主流的英伟达端侧计算卡（如 如DGX spark）为例，初始采购成本约为 3万人民币。对比来看，如果高频调用云端千亿级参数模型的API，在连续运行三到四个月后，其累计消耗的 Token 费用便足以覆盖这台硬件的成本。
但我们需要转换思考视角：云端 API是持续流出的“变动成本”，而本地硬件是可折旧的“固定资产”。更深层的逻辑在于对存量价值的挖掘。目前许多企业内部其实存在大量闲置算力，EdgeClaw的初衷并非强迫用户增购硬件，而是通过端云协同框架，将这些已有的资源转化为生产力。
这种模式改变了用户的消费心理。在使用纯云端应用（如 OpenClaw 早期版本）时，用户往往因为高昂的 Token费用而表现得畏手畏脚，这实际上抑制了智能体的创新使用。一旦任务迁移至本地，边际成本趋近于零，用户会被激励着将硬件性能压榨至极限。
为了进一步降低准入门槛，EdgeClaw 正在通过自动化调度支持“任意组合”。用户既可以利用现有笔记本显卡搭配云端便宜的API，也可以在企业内网部署小型服务器集群。通过与算力平台的对接，我们致力于让本地模型的启动与维护变得像调用云端接口一样简单，让这种“重构成本”在系统演化中被最大程度摊薄。
岑峰：系统重构需要周期，而系统优化则提供了即时的价值窗口。志宇，MemOS将操作系统管理内存的逻辑引入记忆管理。但操作系统面对的是确定性的物理地址空间，而AI 记忆面对的是高度抽象的语义空间。在 MemOS 中，定义记忆“冷热”的标准究竟是什么？
李志宇：操作系统的寻址逻辑确实无法直接照搬，但在设计理念上，我们引入了“利用概率与频率”作为语义空间的判定准则。
在 MemOS系统中，记忆的冷热判别不是简单地按时间倒序排列。虽然“时间衰减”是一个关键权重，但我们更看重三个核心指标：访问频率、任务相关性以及状态延续性。我们会评估某条记忆如果被“遗忘”（即未被召回），是否会对用户当前的决策产生不可逆的影响。
举个例子，用户在三个月前设定了一个长期财务目标，随后一直未提及。从时间轴上看，这段记忆已经进入了“极冷区”。但当用户今天突然问起“帮我根据之前的规划做一下报表”时，系统会在第一个Query进入时识别出该任务与那个旧目标的强语义关联，从而瞬间预热并激活三个月前的所有相关片段。这种“冷记忆”的瞬时唤醒，是基于当前运行的“价值状态”而非单纯的物理周期。
这种设计本质上是在解决存算成本的平衡。鉴于目前GPU显存的昂贵，我们不可能将海量历史信息全部常驻显存。我们必须通过模型预测，将大概率不再被需要的记忆下放到“冷备存储”。
这里存在的 Trade-off 是：一旦预测失败，从冷备区找回记忆会带来额外的首字延迟和算力开销。因此，MemOS核心竞争力的体现，就在于如何通过更精准的语义路由，降低这种唤醒成本，确保系统在激活与冷备之间实现动态平衡，而不是僵化地进行“一刀切”。
岑峰：既然记忆调度涉及额外的预测与计算，那么在工程实战中，调度行为本身消耗的算力，与它所节省的 Token 成本之间，是否存在一个平衡点？MemOS在不同场景下的优化表现如何？
李志宇：调度的经济学确实是 MemOS框架中最重要的模块。如果调度的开销过大，系统就会陷入“空转”的陷阱。我们的破局思路是“大小模型分治”。
我们不再依赖像 GPT-4o这样昂贵的通用大模型来执行记忆管理任务。相反，我们训练了一系列面向记忆领域的“专有微型模型”，专门负责记忆抽取、价值判定、版本更新和重排（Rerank）。这些模型规模极小，但对记忆逻辑的理解极深。通过这种方式，我们用极低成本的计算，替代了原本需要消耗高价值Token 才能完成的上下文筛选工作，从而大幅压低了总成本。
此外，我们从系统层到硬件层进行了联合优化。通过预填充（Prefill）与解码（Decode）分离的机制，以及对闲时算力的负载均衡，我们确保了推理链条的低时延，同时保证算力资源没有被浪费。
从实际场景的波动来看，优化收益与任务的复杂度和长程性呈正相关。
- 低频短会话： 对于仅有几百 Token 的短平快交互，由于上下文本身极短，简单拼接进 Prompt 的效率最高，此时记忆调度的收益并不显著。
- 长程复杂任务： 当 Agent 需要运行一小时甚至更久来解决某个专业问题时，记忆管理的作用会被显著放大。精准的调度能将原本需要召回的 10K上下文压缩至 6K 的核心自包含片段，这种 Token 节约的收益是指数级的。
岑峰：MemOS 聚焦于长对话场景下的优化，而 EdgeClaw则更激进地提倡将高频任务搬到本地。这种“系统优化”与“架构重构”的关系，究竟是竞争对手还是互补伙伴？
闫宇坤：我非常有信心认为它们是互补关系。从技术本质上讲，架构重构与系统优化是相互正交的。EdgeClaw 的路由机制完全可以与 MemOS的记忆调度逻辑无缝结合。
现在开发模式正在发生巨变。以往跨系统的集成可能需要数周的沟通与开发，但在如今 Web Coding 与 AI辅助生成的加持下，我们可以快速构建原型并进行试错。将MemOS 的分层记忆特性接入 EdgeClaw 的路由节点，可能只需要两三天的调优周期。这种低难度的组合，让“治标”与“治本”可以并行不悖。
李志宇：我完全赞同。如果将端云协同视为智能体的物理存在形态，那么记忆操作系统就是智能体的“状态中枢”。
无论在端侧还是云侧运行，Agent都绕不开“状态持续性”的命题。端侧擅长实时交互与隐私处理，云侧擅长跨任务整合与大规模计算。但在未来，用户会拥有手机、车机、电脑等多个端。如何保证用户在手机上聊到一半的任务，能在车机上无缝延续？这需要一套跨越物理节点的“长期状态层”来管理。
端和云解决的是“计算哪里最快、最省”的问题，而记忆操作系统解决的是“状态如何无缝迁移、如何持续演化”的问题。即便未来端侧算力无限大，我们依然需要一个逻辑层来治理不同设备间的认知一致性。因此，端云是一种算力协同方式，而记忆管理是状态协同方式，二者共同构成了未来智能体能够 7×24小时无缝存在的底座。
展望未来：当“投入产出比”击败“参数崇拜”
岑峰：感两位老师不仅达成了技术上的共识，更揭示了智能体从“工具”向“数字生命”演化的必经之路：算力的归算力，状态的归状态，最终通过精准的调度实现效率与智能的共振。我们将继续深入：当安全与成本达成妥协，智能的上限又该如何突破？
随着架构优先和渐进演化两条路线的日益清晰，记忆正从单纯的成本中心转向价值中心。在端云协同的愿景中，敏感高频任务本地化，复杂推理上云端。那么，端与云的算力配比将如何演化？到 2027年，本地模型预期能覆盖多大比例的任务？这种预测是基于摩尔定律的惯性，还是模型蒸馏等技术的突围？
闫宇坤：关于端云算力的配比，可以从短期与长期两个维度审视。短期内，云端由于基础设施成熟、算力节点密集，依然占据主导地位。目前端侧算力的多样化程度极高，尚未出现能够广谱适配所有硬件的通用模型。但随着用户回归理性，不再盲目追求全量上云，云端算力会趋于饱和，端侧占比将随着模型能力的提升而稳步增长。
从长期来看，到 2027 年左右，本地模型能覆盖的任务比例可能不再是一个简单的百分比问题。我们的愿景是实现一种“永远在线”的端侧模式。这意味着端侧算力将不再是被动等待指令的任务执行者，而是被“拉满”的主动协作方。
举例来说，目前的模式是用户要求 Agent 明天准备一份报告素材，Agent 收集完资料便处于静默状态，直到提醒用户。而在“永远在线”的架构下，Agent接收任务后，会在截止日期前的所有闲置时间里，自发地进行深度调研、素材优化和内容润色。即便是一个需要 20 分钟完成的PPT，它会在后台持续寻找更精准的论据和更优的表达。这种模式对端侧算力提出了极限挑战，它不仅依赖于模型蒸馏等降准技术，更依赖于工作流和记忆机制的底层重构。我们有信心到 2027年，这种主动寻找任务、利用剩余算力创造价值的架构能够真正落地。
岑峰：宇坤描绘了端侧优先的延伸，而 MemOS则更倾向于成为跨平台的记忆中枢。当记忆成为智能体的核心资产，平台的商业模式会发生怎样的转变？记忆的所有权与定价权又该如何界定？
李志宇：记忆产业的演进与早期云计算非常相似。在第一阶段，我们将其视为一种“能力收费”模式（Memory as a Service）。此时主要解决的是让Agent 从“无记忆”变为“有记忆”，通过 API 调用量、存储空间或包月套餐来变现，这本质上是一种工具型收费。
到了第二阶段，记忆将演进为“基础设施层”或“长期状态中枢”。平台不仅提供存储和检索，更负责跨端、跨 Agent的状态管理。在企业组织内部，这涉及记忆的权限隔离、版本回滚、生命周期管理及安全审计。此时，用户订阅的是一套跨系统的协同机制，而非简单的API。
第三阶段则是“生态与价值变现”阶段。当平台上积累了足够多的用户记忆，它将类似于“数字账号登录”一样的存在。如果一个新应用想要提供极致的个性化服务，就必须接入这套记忆系统。
在所有权方面，我们从设计之初就明确，记忆的所有权绝对属于用户或企业。平台提供的是管理和加工服务，而非占有资产。但我们要为用户开辟“记忆变现”的渠道。比如一位资深律师，其Agent 在长期的交互中吸收了大量的法律思辨逻辑和专家经验，这个 Agent 形成的参数化与激活记忆包就具备了极高的商业价值。我们计划打造“Memory Store”，允许用户将这种高价值记忆包上架，其他用户可以通过订阅来加载这些特定领域的“智慧”，实现真正意义上的数字分身商业化，而不仅仅是简单的角色扮演。
岑峰：2026 年已近三分之一，请两位预测一下，到今年年底，Token焦虑的破局点会是什么？是杀手级应用的出现，还是端侧算法的爆发，亦或是商业模式的彻底创新？
闫宇坤：我更倾向于认为破局点在于“使用模式的突破”。目前国内虽然存在“养龙虾”的热潮，但整体使用方式依然比较粗放。用户往往不清楚 Agent究竟能解决什么问题，也不知道其性价比边界在哪里。
我们需要一个“杀手级”的模式来教育市场。这种模式能直观地告诉用户，Agent 在什么时候是生产力工具，在什么时候提供的是情绪价值。当钱花在哪里、Token消耗产生多少回报被梳理清楚后，焦虑自然会消失。焦虑的根源不是消耗多，而是产出与支出的不对等。
李志宇：破局的关键在于“结果密度”。Token 焦虑表面看是账单问题，本质上是用户对价值感知的缺失。如果你花了几块钱 Token却换来一份让你拍案叫绝的报告，你下次会毫不犹豫地付费；但如果换来的是一堆毫无意义的幻觉，一分钱都会觉得贵。
从技术侧看，破局点在于“流量分流”的成熟。目前大多数用户和 Agent厂商并不具备精准的成本管理能力，导致高价值模型被浪费在低价值任务上。如果有一套成熟的路由方案，能把小任务导向端侧模型，把长程任务导向缓存复用路径，账单自然会变得优雅。未来的产品形态可能会演变为：用户发布一条指令，多个Agent 竞标给出结果，用户只为那个认可的结果付费。这种模式会将 Token压力的焦虑从用户侧转嫁给厂商。厂商如果不能提供更优的效能比，就会在市场中失去竞争力。
岑峰：Token 焦虑和记忆成本的矛盾不仅存在于智能体领域，在自动驾驶、游戏 NPC、金融风控等场景同样存在。你们的解法是否具有跨领域的通用性？
李志宇：所有的焦虑都可以拆解为“投入产出比”。在游戏领域，我们通过记忆机制能让 NPC具备更长期的性格连贯性，显著提升了用户的在线时长和交互意图。当这种业务层面的回报变得可衡量时，记忆管理的成本就不再是负担。这种逻辑在金融风控对长周期行为的追踪上同样适用。
闫宇坤：我有一个稍微“暴论”的观点：未来社会将进入“智能体力资源管理”的时代。过去我们研究人力资源的合理分配，未来我们需要研究如何根据任务难度、隐私等级和成本敏感度，在分布式节点中合理分配智能资源。无论是哪个领域，只要涉及到智能的调用，都存在对通解的需求。我们希望提出的这套架构能成为这种资源分配的底层标准。
岑峰：感谢两位。今天的讨论非常深刻。EdgeClaw 的端云协同试图从源头切断 Token 损耗的“血脉”；而 MemOS的记忆调度则在现有架构内榨取每一分效率。
短期看，系统优化能让用户少烧钱；长期看，系统重构将让 Token焦虑成为历史名词。正如两位嘉宾所言，记忆正在从成本中心演变为价值中心。未来的核心命题将不再是“这项工作要花多少钱”，而是“这段记忆能带来什么”。这或许才是真正意义上的范式转移。感谢宇坤，感谢志宇，也感谢所有在线听众的参与。本场直播到此结束，谢谢大家。
YouTube：https://youtu.be/aoRUaH_GNqQ
富祥策略提示：文章来自网络，不代表本站观点。
