给 AI 装上记忆后，它能不能管好一座城市的低空？

最近开源圈有个叫 MemOS 的项目刷屏了。它想做一件挺底层的事：给 AI Agent 装一套能自己进化的"记忆操作系统"。我第一反应是，这不正好戳中低空经济的痛点吗。我们天天喊数字员工、智能调度，可绝大多数 AI 换个会话就变金鱼，昨天教它的空域规则，今天问它又得从头讲。

一、为什么现在的 AI 像个金鱼

先说现状。现在各家 Agent 都有"记忆"，但做法散得很。Claude Code 靠 Markdown 文件，ChatGPT 在后台合成上下文，OpenClaw、Hermes 这类用 MEMORY.md 加载。问题不在有没有记忆，在于记忆是碎片化的功能，不是系统级的资源。

经验攒不住，换个工具清零。有人会说上 RAG 不就行了？RAG 只是把外部知识临时塞进上下文，它是无状态的，没有生命周期、没有版本、没有随时间演化。说白了是个补丁，不是操作系统。

二、MemOS 干了什么：把记忆当成系统资源

一句话讲清：它把"记忆"从零散功能，提升成像 CPU、内存一样可被调度、可被演进的系统资源。

三种记忆被统一封装成一个叫 MemCube 的最小调度单元：

高频的明文记忆能"升级"成激活记忆甚至参数记忆，就像人把常用知识从翻书变成肌肉记忆。MemOS 来自论文 arXiv:2507.03724，由 MemTensor（上海）联合上海交大、浙大、人大、北航、同济、北大、中科大，以及中国电信研究院共同完成。冷知识：作者单位里就有中国电信研究院，也就是说运营商体系本身就参与了这件事。

三、最让我在意的是"自己长本事"

光有记忆还不够。MemOS 真正有意思的地方，是把"记忆即资产"做成了一条自动生产线：记忆写入、任务总结、技能进化、智能检索。Skill 是从你和 Agent 的对话里自动蒸馏出来的，三步就成了：切片识别任务边界、聚类提炼结构化技能、转成可运行的 Skill 文件。新经验还能触发 refine、extend、fix，让技能越用越准。

更妙的是这套能力不绑定任何 Agent 框架。它已经给 OpenClaw、Hermes 做了本地插件。今天你在 A 工具攒下的技能和经验，明天换 B 工具不用从头学。记忆资产可以跨 Agent 携带，这点对有多套工具链的团队很实用。

四、这事和低空经济有什么关系

空域调度：每天重复的航线、固定的起降点，AI 该越飞越熟，而不是每次重新学一遍流程。应急指挥：一次险情的处置经验，下次同类事件自动复用，不是从头翻处置手册。文旅数字员工：同一个景区、同一批游客长期服务，MemOS 把景区知识、游客偏好、应急预案一点点沉淀，最后真成一个"老员工"，而不是每次重启就变新人。

这三处看着分散，其实是一件事：低空经济要的大规模常态化运行，核心瓶颈不是模型聪不聪明，而是它记不记得住、能不能从经验里长大。

五、先别上头：三个绕不开的坑

• 自生成技能会出错：Skill 是大模型蒸馏出来的，质量参差。早期必须有人在环审核，别无条件信任自动安装的 Skill。把它当草稿，确认后再固化。
• 烧钱：自进化要反复跑大模型做切片、聚类、评估。没有分级模型和成本断路器，账单会很难看。
• 隐私合规：记忆里会沉淀用户偏好和项目细节，必须本地化、做权限分级。MemGovernance 这块已经提供了基础能力。

六、我们的判断

记忆加进化，是 Agent 从"好用的工具"变成"可信赖的数字员工"的分水岭。过去两年大家拼命堆模型、堆工具，可真正的难点不在它会不会做，而在它能不能记住、能不能从经验里长大。

有意思的是，这件事背后站着中国电信研究院。低空经济的空管、通信（5G-A 通感一体）、算力底座，运营商本来就是主力。与其等别人把"会进化的 Agent"做成黑盒卖给我们，不如现在就把 MemOS 这类开源记忆系统接进自己的工具链。

对做文旅 AI、低空调度的团队来说，让工具从"每次从零开始"变成"越用越懂你"，才是数字员工该有的样子。这也是 UAM.CITY 持续在跟踪的方向：不追热点名词，只看它能不能落到空域、航线、应急这些真实场景里。