你训练的AI智能体，只认你一个人
一家公司的AI智能体用得越久，表现应该越好。但现实很骨感：你花半天调教的智能体，隔壁工位的同事打开同一个工具，一切又从头开始。没有记忆共享，没有经验传递，每个用户都在重新发明轮子。
Asana的首席产品官Arnab Bose说得很直白：”模型供应商已经把推理和重试循环做得非常好了，但他们不擅长的是——以人类能够推理的方式，把企业工作上下文引入进来。”
问题到底出在哪
场景是这样的：你在AI智能体里纠正了一个错误，比如告诉它你们公司的文档规范是什么。这个纠正被记录了，下次你再问，它答得很好。但是你的同事打开同一个智能体，问同样的问题，它还是会给错的答案。
这个现象在多人协作的场景里会被放大。Asana自己的研究发现，75%的知识工作者在工作中使用AI，但只有5%的企业报告说获得了生产力提升。记忆无法在团队成员之间共享，是一个核心原因。
模型本身是无状态的，每一次对话都是全新的开始。记忆存在于上下文窗口里，窗口一关，什么都没留下。要让智能体记住东西，需要在模型之外搭建专门的记忆层。
几家公司的解法
Asana的做法是建一个”上下文图谱”，任何一个团队成员对智能体的纠正，都会写入这个共享图谱，之后所有其他成员调用智能体时，都能受益。他们把这个叫做”共享记忆架构”。
Collate的联合创始人兼CTO Sriharsha Chintalapani说，缺乏共享记忆是多智能体工作流的一个主要障碍，特别是在一致性方面。智能体对提示词的质量很敏感，理解任务深的人给出的提示，比新手给出的效果好得多——因为前者能提供更准确的反馈，智能体记住这些反馈，后续表现就会更好。
Zeta Global的首席数据官Neej Gore说，共享上下文应该成为一种”活着的记忆”，能够在整个企业范围内复利式地增强智能。
微软的做法不一样
微软的Copilot走的是个人优先的路线。它会学习用户在组织中的角色、语气偏好和工作模式，然后把这些存成个人记忆，跨不同的Microsoft 365界面生效。这种做法对用户个人体验很好，但没有解决团队协作的问题。
对于评估智能体平台的企业技术负责人来说，共享记忆现在已经成为一个采购考量因素。一个只能记住与你个人交互历史的智能体，和能记住整个团队经验的智能体，长期价值差距会越来越大。
这个方向看上去简单，做起来全是坑。怎么保证写入共享记忆的信息是准确的？怎么控制权限，让该看到的人看到，不该看到的人看不到？这些都是接下来一年里企业AI落地要回答的问题。