红熊AI的开源项目MemoryBear在GitHub上的星标突破一万。这个数字说明的事情比热度更重要：开发者正在把AI记忆当作一项需要单独建设的基础能力，不再只看它是不是模型的一个附带功能。

过去两年，大模型的参数量、上下文长度、推理速度一路往上走，记忆没有同步跟上。多数产品在会话结束时丢掉上下文，用户隔几天再问，要从头解释一遍。红熊AI用一套自研的记忆引擎补这一段，并且选择把核心能力开源出去。

MemoryBear在GitHub上星标破万

一万星背后，开发者缺的是可治理的记忆

AI记忆的难点不在存，在管。开源社区里的记忆类项目不算少，多数解决的是同一件事：把之前的对话调出来。这条路径能应付演示，接不住长期使用。真正难的是记忆进来之后怎么管：什么时候该更新，什么该忘掉，一条结论能不能追溯回原始出处，多人共用时怎么隔离。

MemoryBear把这几件事写进了架构，也把工程实现放到了公开仓库。星标是使用者投的票，投的是这套东西能不能直接拿去用，不是这个概念听起来新不新。

记忆长期被做成检索的一层

把记忆等同于检索，是行业里很自然的选择。对话缓存解决当次上下文，向量检索解决相似片段召回，文档外挂解决知识补充。这三样配合起来，能覆盖相当一部分场景。

缺口出在连续性上。信息有先后、有版本、有失效，检索拿到的片段缺少时间坐标，新旧矛盾的内容会同时留在库里。用户改了方案、换了偏好，系统没有机制判断哪一版还算数，回答就会在新旧之间摇摆。

放到实际工作里，问题更明显。一个项目跨几个季度，需求改过几轮，早期的结论已经作废，旧文档还留在共享盘里；对接的人一换，接手的那位分不清哪份判断还在生效。检索能把五份文档一起找出来，给不出哪一份还算数。

三层架构把AI记忆拆成能管住的系统

MemoryBear走的是分层路线。工作记忆对应单次任务，管的是当前这一步要用什么，顺手把寒暄和冗余话术滤掉，只留下实体、关系、时间、约束和置信度这几类要素。短期记忆承接筛下来的内容，在后台做合并、补全和冲突校验，长时间没被唤醒的部分按权重衰减。长期记忆以时空语义图谱存放，每条记录带时间戳、来源和版本，检索时走时序、因果和关系三条路径。

再往下细分，这套体系还可以按感知、工作、显性、隐性、情绪拆成五层，用于讨论更细的机制。对外讲的时候，粗分三层已经够用：先筛、再巩固、落成图谱，每一层有自己的写入和淘汰规则，记忆才谈得上治理。

分层之后，遗忘变成一件可以设定的事。长期没有新证据支撑的记忆降权，高频复用、反复验证的记忆固化，衰减不等于删除，需要时还能调回来。每条记录带着置信度，事实、推断和不确定的信息分开标注，哪部分是推测，用户看得出来。

开源让AI记忆成为可以共用的底座

红熊AI把MemoryBear的核心仓库、面向个人客户端的接入方式、MCP协议适配和自研评测基准一起放到了公开渠道。企业可以私有化部署，开发者可以直接接入，评测数据和方法放在明面上，成绩能被复现和核验。

多智能体协作时，记忆按任务切分，每个智能体只拿到自己需要的那部分，团队共享效率和数据边界可以同时成立。

这件事的价值不在代码是否公开，在使用门槛。记忆如果只由各家公司各自重建，行业会在同一层反复投入；有一套公开可用的底座，小团队也能让自己的产品记住用户。

红熊AI把这条路称作记忆科学：把神经科学、认知科学和计算机科学放在一起做，让机器记住该记的、忘掉该忘的，不把记忆当成模型旁边的一个插件。

开源一件事的标准，不是代码放出去了，是别人开始用它做自己的产品。一万星是这套记忆被拿去用的开始。