前情提要：

1. 从 25 年年头 deepseek 带火了国内大模型氛围后，大部分公司就火急火燎的上马模型项目
2. 经过一年的模型迭代基本上进化出了具备一定使用价值的各类模型
3. 从模型训练到模型落地，各种工作流配置、知识库、智能体、自动写代码等等等……
4. 近段时间发布的 Agent 打通阿里系应用，大龙虾 Clawdbot ，让 AI 帮你操作 XXX……

个人感受： 结合工作中遇到的情况，感觉现在的发展模式不太得劲，现在相当于让 AI 去分析自然语言，然后借用各种工具接口，去实现各种功能，Agent 和系统是分开的。

个人想法： 有一个 All-In-One 的想法，个人觉得关键技术应该是“模型记忆”，我们对系统的使用其实是对数据一系列的增删改查，包括现在个人能接触到的 Agent 的模式，也逃不过调用接口、MCP 、Skills 去实现对外部数据的增删改查；另一面，人类设计系统、人类记忆、学习、改变认知、掌握技能、输出知识等一系列过程，也是脑中数据的增删改查。

核心重点： 解决关键技术：“模型记忆”，可能以一个接口分发网关的形式呈现： 主要解决两个难题：1. 无序输入的有序存储 、2. 有序存储的无限归纳

1. 当请求模型接口的时候，首先识别用户身份，这决定了后续数据存储的对应域；
2. 通过分片、嵌入模型、大模型解析的方法，对传入的无序内容进行解构；
3. 将解构后的内容，在记忆中做一定的检索，然后整合为新的内容；
4. 通过语境和配置分析是否外部检索，调用传统的接口、MCP 、Skill ；
5. 最后对所有的内容进行整合输出，并重新分片解构，存入记忆；

例如： user: 今天 XX 天气怎么样？ system：用户是 xxx ，标记数据关联 xxx ； system: 分片:今天、XX 、天气； memory：检索到今天关联数据、XX 关联数据、xxx 关联数据、天气关联数据； system：分析有获取当前日期的需要、分析有调用天气接口的需要； ai: 获取日期、获取天气； ai: 整理内容，输出回复结果； system: 对对话进行切片，记忆：某年某月某日某地某人问过某问题回过某回复；

记忆的模式：ai 归类--相关日期--相关人--相关地点--相关元素--

经过对 AI 的调教，我们可以在他们的记忆里存储 N 个 N 维且相关质检有关联的表单（实际不以常规表单呈现，但是通过记忆的有序抽取可以构成一个表单，就类似于你问 XX 班语文成绩，然后回应就是，张三 90 分，李四 100 分…这样的有序类表结构），这个时候就不需要各种各样的系统了，AI 即是系统、AI 即是万物

flowchart TD
    A["拦截模型调用"] --> B["解析请求内容"]
    B --> C["在向量数据库查记忆"]
    C --> D["携带记忆进行整合"]
    D --> E{"需要外部检索？"}
    E -- "是" --> F1["构造检索关键词"]
    F1 --> F2["执行外部检索（知识库/联网）"]
    F2 --> F3["获取检索结果"]
    F3 --> F4["整合 请求内容 + 记忆 + 检索结果"]
    E -- "否" --> F4
    F4 --> G["按用户需要的形式返回响应"]
    G --> H["将过程中的内容写入向量数据库记忆"]

看下过年期间有没有空搞个 Demo 出来，有感兴趣一起搞的吗