主要从基础模型和应用双重角度下，讨论memory的定义、重要性以及当前的痛点，包括获取完整记忆难，评价难等问题。对比 RAG 与 model-based 两类方案，分析当前各个方案的优劣性。并提出一套实践方案，结合RAG与模型的Hybrid Memory 实践路径，围绕“获取‑组织‑利用”搭建记忆工作流，按场景定义指标，并联合调优模型与 PPL，构建记忆评价与数据飞轮；在内部试点中用户使用黏性有明显的提升。最后针对当前的技术、隐私、体验等瓶颈进行分析，并对未来技术进行展望。

演讲提纲：

一、为什么Memory如此重要和痛点分析
  1. Memory定义
  2. 模型记忆：从基模角度如何看待memory（长期记忆对于技术突破的重要性）
  3. 产品记忆：从应用角度Memory的重要性
  4. 当前Memory技术存在哪些痛点
     a. Context 获取困难拿不到“完整上下文”
     b. Long Context 不知道如何评价
  2. Memory 实现的基础方案
     a. 介绍 RAG 方案及优劣势
     b. 介绍 Model-based 方案及优劣势
  3. Memory 业务实践流程（基础模型侧可以多做哪几件事，构建记忆评价与数据飞轮）
     a. 定义场景和优化目标以及评测方式指标
     b. Hybrid 方案方案及优劣势
     c. 搭建工作流
     d. 模型和PPL 端到端调优（在预训练/后训练阶段刻意优化让记忆更好用）
  4. 当前瓶颈和未来展望
     a. 当前瓶颈与落地挑战（包括技术、隐私、体验挑战等）
     b. 未来展望（从长期记忆到到多智能体社会）

听众收益：

- 角度层面：介绍在“基础模型视角”下，Agent 记忆能力是如何被拆解为短期上下文、长期用户记忆和语义知识三层，以及模型能力与系统工程的清晰分工；
- 工程层面：有一套可落地的记忆工程方法论。学会用「获取‑组织‑利用」三板斧设计记忆模块，知道记忆与 RAG 的本质区别，如何设计写入、遗忘和调用策略；
- 评估与增长层面：利用数据飞轮优化记忆能力。了解如何设计评价指标，并通过数据循环进行效果优化。