AI Agent赛道又迎来一笔大额融资，卡帕西等行业大牛集体押注一家聚焦AI记忆的初创公司。Engram刚公开亮相就拿到近亿美元融资，偏偏盯上了一个行业集体忽略的痛点：当前AI还在“读完就忘”的死循环里打转。

AI Agent的落地瓶颈，从来不是工具调用，而是长效记忆。当行业都在卷长上下文窗口，这家公司为什么反而要重构训练逻辑，把算力用在用户自己的数据上？

Engram的X平台官宣帖及团队合照 ：Engram官方X账号发布的团队合照与官宣文案

赛道集体卷长窗口 这家公司偏偏换了赛道

现在AI Agent领域的主流玩法是什么？大家都在比拼上下文窗口能做多大，从几万token做到几百万token，仿佛窗口越大，Agent就能越聪明。

可这个方向有个绕不开的悖论：窗口越大，算力成本越高，而且每次启动任务都要重新把所有上下文读一遍，不仅慢，还容易出现信息错误关联，旧知识反而干扰新任务。更关键的是，绝大多数方案只是“存储”上下文，并没有让模型真正从上下文里学习——用户关掉聊天窗口，模型就把刚学到的信息忘得一干二净。

Engram从一开始就没走这条路线，它盯上的是更底层的问题：AI为什么不能像人一样，把学到的知识沉淀下来，每次用的时候自动调用，不用次次重读？

我们的大脑不会每次思考问题，都重新把所有过往记忆从头读一遍，只会提取相关的部分，还会自动把新信息和旧知识建立连接。Engram想让AI也这么工作。

这个切入点刚好戳中了企业场景的真痛点：当企业把所有内部文档、项目资料、协作信息都放到Notion或者Microsoft 365里，现有AI只能一次性检索，根本做不到像老员工一样，熟悉整个团队的工作逻辑，记住那些散落在各个文档里的隐性信息。

Engram团队成员户外合照 ：Engram团队成员在树林原木上的合影

把训练算力转向用户数据 重构AI学习逻辑

现在主流大模型的训练逻辑是什么？先用海量公开数据做预训练，然后给用户开放推理，用户输入的上下文只是单次推理的素材，不会变成模型长期记忆的一部分。

Engram彻底反转了这个逻辑：它从强预训练模型出发，把后续的训练算力全部用在用户关心的上下文数据上，而不是继续堆公开数据的训练量。

这相当于给每个企业、每个用户定制了一个“会持续长大”的模型：它会不断消化用户产生的新数据，拼接零散信息，建立新的联系，甚至能发现用户自己都没注意到的错误，越用越懂用户的工作方式。

Engram自己内部做过测试，让模型学习公司GitHub、Slack和Notion里的所有数据，最终模型不仅能说清楚团队每个项目在做什么、为什么做，还能建立一些团队成员都没想到的关联，甚至找回了大家已经遗忘的关键信息。

这个思路带来的直接收益就是token效率提升，官方数据称可以达到10倍甚至100倍——因为大多数任务不需要重新收集和读取所有上下文，模型已经把相关知识“内化”了，就像熟悉业务的老员工直接上手，不用每次都翻一遍员工手册和项目档案。

不是外挂记忆模块 要做底层基础设施

很多人看到AI记忆，第一反应是给大模型加一个外挂的检索模块，把需要的信息找出来再喂给模型。但Engram要做的不是这个，它从训练算法到系统架构，全部围绕持续学习设计。

团队成员从一开始就研究各个维度的记忆问题，不仅研究上下文压缩、检索、LoRA这些工程方向，还专门研究人类和机器的记忆与遗忘机制——什么时候该记住，什么时候该遗忘，本身就是AI学习里的核心问题，瞎记住所有信息反而会带来干扰。

Engram的长期目标是做一套统一训练算法，让模型可以吸收任意规模的数据，并且在持续更新中不断变得更好。现在他们已经做到每天在公司全部数据上跑一次全量更新，接下来计划把重训频率提高到每小时一次，最终目标是接近每分钟一次，做到用户数据更新后，模型几乎实时就能学到。

目前Engram已经拉上了三个不同领域的头部玩家做早期试点，刚好覆盖了三类知识密度极高、上下文最复杂的典型场景：

• 和Notion合作开发自定义Agent，理解超大型Notion工作区的零散知识
• 和法律AI公司Harvey合作，让模型内化整个律所的知识体系，搜索客户事务判例
• 和微软合作，在Microsoft 365中试点低成本定制化企业Agent

AI Agent落地 绕不开的记忆必修课

现在AI Agent的发展路径越来越清晰：从能调用工具，到能处理多步任务，接下来必然要解决长期记忆和持续学习的问题。没有长效记忆的Agent，永远只能做单次任务，无法真正融入企业的日常工作流。

这个赛道目前还没有成熟的解法，所有人都在试错。Engram的思路最大的启发在于：我们不应该让用户去适配AI的现有架构，而是应该让AI的架构去适配用户持续产生的数据。

卡帕西等行业大牛愿意在公司刚亮相就投下近亿美元，本质上是看好这个方向的必然性——当大模型的基础能力拼得差不多，接下来就是拼对垂直场景痛点的底层解决能力，谁能把记忆这个问题做透，谁就能拿到下一张船票。

真正有用的企业AI，不是能读完几百万token的大模型，而是能用一个月时间学会你的企业是怎么干活的AI。

Engram现在还只是早期试点，能不能在真实企业场景中做到稳定、可控、可审计，还要等落地数据说话。但可以确定的是，已经有越来越多玩家意识到，AI Agent的下一个竞赛场，不在工具调用的数量，不在上下文窗口的大小，而在能不能让AI真正记住、真正学会你的工作。

当AI不再需要每次都重读你的所有文档，才能帮你处理工作，那才是AI真正融入日常工作的那天。这个方向的探索才刚刚开始，接下来会有更多玩家涌进来，我们很快就能看到谁能跑通这个最难的考题。