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Profilingagent 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、Gemini163,494 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】