MOSS是拉瓦尔大学团队开发的AI记忆架构，它用一年真实使用数据挑战了RAG的默认地位。MOSS通过关系数据库而非向量相似度来存储和检索信息，实现了更透明、可设计和理论上无极限的记忆功能。系统分为Orchestrator和Memory Structure两部分，支持模型无关、存储无关和API无关。查询生命周期包括意图分析、Profiling、执行和评估迭代四个步骤。MOSS还引入了归纳式本体和实时索引与归档机制，实现了"结构性无界记忆"。通过一年的真实使用数据，MOSS展示了其在日常问题回答、情感索引和可审计性方面的优势，为AI记忆领域提供了新的思路和方法。

今天为大家分享的是来自拉瓦尔大学（Université Laval）团队的最新工作：MOSS，一个用一年真实使用数据挑战 RAG 默认地位的 agent 记忆架构。

想象你有一个 AI 助手，陪你整整一年，每天工作、聊天、写论文、处理邮件。一年后，它记得你六个月前担心过哪个项目，记得你当时是兴奋还是焦虑，记得你第一次提出某个想法是在哪段对话里。RAG 做不到这件事——但作者用它做到了，并且开源了代码。

这篇论文解决的核心问题是：当 AI 要陪一个人或一个组织走过几年时间，记忆应该长什么样？作者给出的答案和当下主流完全相反——不用向量相似度，不用 embedding，而是让 agent 自己去查关系数据库。

旧做法哪里不够

业界给 AI 装记忆的默认答案是 RAG：把文档切块、嵌进向量、查询时按余弦相似度捞回来。论文直接指出，RAG 本质上是个检索流水线，不是记忆系统。它有三个绕不开的结构性缺陷：

• 不透明：余弦相似度在高维空间里怎么算的，没人能人工验证；
• 不可设计：真实部署的研究表明，RAG 只能在运行中迭代修补，无法在设计阶段验证；
• 理论上限：单向量检索有形式化极限，语料越大，相关文档越容易被"淹没"。

更麻烦的是——向量索引被生成它的 embedding 模型绑死了，换个模型就得全部重算。

新方法新在哪

MOSS 的核心立论只有一句话：数据库是地图，文档是疆域。原始语料（对话、文档）原封不动保存在普通文件里，永远人类可读；上面架一层关系数据库，里面是密集的元数据地图——segment 摘要、时间戳、参与者、情感状态、概念标注、关系图。

双层架构

MOSS 只有两个组件：Orchestrator（编排器）和 Memory Structure（记忆结构）。

Orchestrator 装着所有活跃代码——REST API、MCP 端点、LLM provider 连接器、QueryProfiler、SQL 检索层。它是 agent 与记忆之间的唯一连接点。

Memory Structure 就是关系数据库本身，跑在任何关系引擎上（当前是 SQLite，也能是 PostgreSQL 或分布式 SQL）。

系统在三个轴上做到无关：模型无关（GPT-4o/Gemini/Claude 可互换，甚至非 LLM 的确定性进程也能当客户端）、存储无关（云、对象存储、本地都行）、API 无关且双向（MOSS 可以调模型，也可以被挂载进现有 agent 环境）。

查询生命周期

一次查询走四步：

1. 意图分析（agent 干）：判断问题是时间型（“我们什么时候第一次…”）、主题型、情感型（“我最担心的是什么时候”）、人物型还是文档型；

2. Profiling（agent 干）：agent 发自然语言给 QueryProfiler，带上结构化权重——时间戳给历史问题，valence/activation 给情感问题，concepts 给主题问题。QueryProfiler 把它翻译成 SQL；

3. 执行（确定性）：SQL 检索层跑查询。这一步没有 LLM 参与。同样的查询、同样的数据库状态，结果完全一致、可复现、可逐行解释；

4. 评估迭代（agent 干）：agent 看结果，不满意就重新表述（最多 15 次迭代），最后给答案并引用它找到的 segment。

关键点在分工：formulation 是 agent 的，execution 是符号的。LLM 的非确定性被关在循环边缘，每次决策都留下可检查的痕迹。

归纳式本体

MOSS 不强加外部受控词表。它的 569 个概念有三种来源：少量手工种子、自动抽取层（占大多数）、命名实体（组织/机构/工具）。这套方法论借鉴了定性研究的 codebook thematic analysis——代码从数据中涌现（inductive），再系统化应用（codebook）。

11 个元数据图、约 500 万条类型化关系把 segment 互相连起来——co-occurrence、temporal adjacency、affective resonance、thematic cohesion、geographic anchoring（开发中）。

论文特别强调：GraphRAG 把文档蒸馏成抽取三元组，地图替代了疆域；MOSS 的图连接的是已索引的 segment 本身，永远指回完整的原始语料。

实时索引与归档

agent 的活动上下文是个约 35K token 的滑动窗口——新对话进来，最老的就被挤出去。常规设置里，挤出去的就丢了。MOSS 让一个 scribe agent 截住所有要离开窗口的内容，做两件事：实时索引进数据库（segmentation、summary、affective、concept），同时归档到当天对话文件。

结果：任何滚出窗口的内容几秒内就变成可检索的数据库行。窗口不再限制 agent 能回忆什么——更老的对话只是一次查询的距离。论文把这叫做"结构性无界记忆"：不是更大的窗口，而是窗口内容永远不消失。

一年生产数据

论文最有分量的证据不是 benchmark，是一年真实使用：

• 110,183 个会话 segment：从约 4400 万 token 中切出，覆盖 2024 年 10 月至今、约 600 个文件、三个助手平台（ChatGPT、Claude、Gemini）；
• 163,494 个编目文件：其中约 21,000 个文本文档做了完整 enrichment（摘要、关键词、结构大纲、概念标注）；
• 569 个归纳概念，322,662 个 segment 级概念注释；
• 11 个元数据图，约 500 万条类型化关系；
• 4 代基础设施、3 个 LLM 厂商、2 个云服务商、本地工作站、专用服务器——架构承诺始终不变。

三个运营观察

1. 地图通常够用：日常问题大多直接从数据库少量行就能答了，不用打开任何源文件。token 经济性是结构性优势——MOSS 找 2-3 个对的 segment，而不是塞 50 个 chunk 进上下文；

2. 情感索引证明价值：valence × activation（基于 Russell 的 circumplex 情感模型）编码每个 segment 的情感状态——这个"不像工程系统该有的"选择，成了实际使用最多的检索维度之一。"我什么时候最担心过这个项目？"这类问题，RAG 答不了；

3. 可审计改变用户关系：每次检索都能在实时日志里看到，每个答案都能追到查询和 segment。失败的诊断变得可能——错答案指向错查询或索引缺口，都能修。一年的日常信任建立在"出错时可检查"，而不是"不出错"上。

总结

这篇论文对普通读者的意义不在于又造了一个新 RAG——它直接戳破了"RAG 就是 AI 记忆"这个默认认知。

OpenAI 的 Dreaming 在 2026 年 6 月上线了后台合成记忆，方便但用户既不能检查、不能控制、也无法带走。MOSS 走的是另一条路：因为记忆结构是标准 SQL、语料是纯文本，整个系统可以无变换地迁移——跨云、进入国家云区域、落到笔记本上。

记忆这件事，可能从一开始就不该交给 embedding。

论文标题: Memory-Orchestrated Semantic System (MOSS): An Auditable Agentic Memory Architecture
论文链接: https://arxiv.org/abs/2607.04391
GitHub: https://github.com/GibsonAI/memori

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】