在本 Talk 中，首先会结合 OpenClaw 和近期行业的热点事件，阐述未来 Agent 的发展趋势；其核心认知是，从通用大模型向具备长期记忆和自我演进能力的 Agent 跨越，正是当前最具商业和技术落地价值的深水区。在基础模型蓬勃发展之上，Agent 的核心价值和壁垒将主要取决于长期记忆能力；其次，将递进介绍介绍长期记忆的价值：如何更高效地利用上下文 (Efficiency)；如何记住用户偏好 (Alignment)；如何形成自我演进 (Evolution)；

进一步，结合我们在长期记忆方向所做的主要工作，特别是 EverOS（定位为 AI 时代的长期记忆操作系统） 和 MSA（Memory sparse attention）Model，讲述我们在相关方向取得的技术进展，以及对未来技术发展趋势的认知；最后，将结合具体的案例说明长期记忆的用户价值。

演讲提纲：

1. 打破AGI发展认知误区
2. 记忆的三重境界
   • 降本增效
   • 个性对齐
   • 自我演进
3. 核心技术布局与突破
   • 底层基础设施 EverMemOS
   • Memory Sparse Attention 架构解析
4. 数字助理场景落地

本次演讲围绕《AI 记忆在智能体与人类场景中的核心应用》展开，聚焦独立 AI Memory 记忆系统核心技术与落地实践，全方位拆解这套前沿系统的技术逻辑、场景价值与未来趋势。首先详解系统专属技术架构，梳理其与大模型、AI Agent 的交互接口设计，以及依托图数据库、向量数据库的存储技术，重点解读实现 90% 以上 LoCoMo 准确率的核心关键能力；其次深入剖析各类 AI 记忆场景分类，结合经典智能体实践，分享 OpenClaw 插件的 Token 优化方案，现场演示强记忆技术赋能的典型智能体案例；最后展望个人桌面应用迭代、企业私有化部署落地，以及记忆数据爆发式增长下的共享、长效存储与隐私保护技术，全方位展现 AI 记忆系统的技术突破与产业价值。

演讲提纲：

1. 一套独立的AI Memory记忆系统的技术架构
   • AI记忆系统和AI大模型，AI Agent之间的架构和交互接口设计
   • AI记忆系统与后端的图/向量数据库的记忆存储技术
   • AI记忆系统达成90%以上的LoCoMo准确率的关键能力
2. 各类记忆的场景剖析以及典型Agent和实践中的价值
   • AI记忆的典型分类及各类记忆的经典Agent实践
   • OpenClaw记忆插件场景的下的token节省方案
   • 剖析和演示一个典型“强记忆”技术场景的智能体实践
3. 对AI Memory的技术展望
   • AI记忆个人桌面应用的演进
   • 企业级AI记忆系统私有化部署能力的落地展望
   • AI记忆数据的激增，共享，长期存储和隐私保护技术

听众收益：

• 如何引入一个独立于模型的记忆系统，来提升Agent开发的能力和效率
• 个人用户如何在本地建设自己的个人记忆，来增强自己和AI之间交互的个性化，让AI在长期对话中更加懂你
• 如何在OpenClaw中引入独立的记忆插件，提升响应准确率的同事，大幅降低token消耗

单体大模型常因流程脱轨、幻觉以及动态代码执行的安全隐患，导致企业难以规模化投产。本演讲直击这一痛点，基于开源 ADK 2.0 框架与云原生托管沙箱，深度拆解生产级 Agent 基础设施的真实落地解法。演讲将聚焦三大核心业务场景与技术细节：

• 确定性工作流与人机协同：利用图化编排（DAG）替代线性 Prompt，在信贷审批、资金划拨等高危节点精准触发断点挂起，实现无缝的人工审核接管（HITL）；
• 记忆蒸馏与上下文治理：通过长时语义提炼与归档检索，彻底解决长周期跨会话交互中 Token 暴涨与响应时延瓶颈；
• 毫秒级安全运行时：借助内核级隔离与内存快照预热技术，让智能体自主编写的 Python 脚本或数据处理代码，在 <1秒 冷启动的安全云端沙箱中高效执行。

彻底告别脆弱的提示词实验，构建高可靠、高可控的企业级多智能体底座。

演讲提纲：

1. 引言：Demo 繁荣与生产环境的“达克效应” 
   • 开场拷问：为什么我们在本地跑得极好的 Agent Demo，一旦接入真实业务线就会变成灾难？
   • 核心痛点：概率引擎与严谨业务的天然矛盾
     • 大模型的本质是“基于概率的下一个 Token 预测机器”，而企业生产环境要求的是 100% 的确定性。
     • 批判“黑盒式 Prompt 堆砌”：单体大模型加上简单的“请求-响应”循环，在面对高复杂、长链路任务时，必然走向“幻觉”、“跳步”与逻辑失控。
   • 引出破局点：从“提示词玄学”走向“智能体软件工程”。我们需要一套真正包含编排、沙箱与治理的基础设施。
2. 控制权反转：为什么 Agent 亟需确定性编排？
   • 工程迷思：让大模型同时承担“流程控制器”和“内容生成器”，是造成多步任务崩溃的根源。
   • 架构解法：图化工作流（Graph-Based Workflows）
   • 核心思想（Inversion of Control）：将业务的控制流（Control Flow）无情地从大模型手中夺回，交还给传统的代码。让大模型退化为工作流中的一个纯粹的“推理与决策节点”。
   • 有向无环图（DAG）的引入：通过 DAG 构建 Agent 的执行路径，约束 AI 只能在预设的逻辑分支中游走，彻底消除“跳步”与无限死循环。
   • 运行时状态适配：
   • 对比传统无状态微服务，探讨 Agent 在不同场景下的生命周期管理：何时使用用完即走的 Task 模式？何时必须维持长连接的 Singleton（单例）状态？
3. 核心深潜：为什么“极速沙箱”是 AI 自动编程的生产刚需？ 
   • 工程挑战：未知代码的“裸奔”恐惧
   • 当 Agent 具备了编写与执行代码（如 Python 分析脚本）的能力，我们就面临着灾难级的安全隐患。
   • 对比困境：普通 Serverless 启动太慢（破坏流式对话体验）；传统 Docker 隔离太弱（极易被 AI 生成的不可信代码进行容器逃逸攻击）。
   • 架构演进：打破“安全隔离”与“极致性能”的死锁
   • 深度防御：必须采用内核级强隔离沙箱，将 Agent 生成的代码锁死在绝对受控的边界内。
4. 看不见的护城河：为什么必须重构状态隔离与权限治理？
   • 记忆即状态：超越 Vector DB 的生命周期托管
   • 网关级防御与动态治理（Dynamic Gateway & Identity）
   • 数据双向防泄漏：企业敏感数据（PII）不能直接喂给模型，模型生成的危险指令也不能直接执行
   • 拦截机制：在动态网关层实时拦截提示词注入（Prompt Injection），而非依赖模型自身的对齐能力
   • 身份鉴权（Identity）：当企业内部署了成百上千个微型 Agent 时，如何通过中心化的身份凭证，防范 Agent 之间的越权调用

听众收益：

• 掌握 Agent 控制流编排方法： 了解图化工作流（Graph-Based Workflows）的架构原理，学习如何通过代码接管控制流来约束大模型的执行路径，从而减少多步任务中的逻辑偏离与执行错误。
• 了解代码自动执行的安全隔离方案： 分析 AI 自动执行未知代码时面临的安全风险（如容器逃逸），并了解如何利用内核级沙箱技术在兼顾执行效率的前提下，建立受控的安全边界。
• 熟悉企业级状态管理与网关治理机制： 了解在多 Agent 环境下，如何通过动态网关实现敏感数据保护与风险指令拦截，以及如何通过中心化身份鉴权

用户每天产生大量碎片化内容——截图、语音、视频、文档、多图……如何让 AI 理解这些异构多模态数据，并自动整理成有价值的"记忆"？本次演讲将介绍 OPPO 小布记忆的技术实践：首先，构建端云协同的一键闪记架构，基于自研 AndesVL 多模态大模型实现端侧推理，通过智能任务分流实现 80% 简单场景端侧处理、20% 复杂场景云侧处理；其次，深入讲解多模态理解能力，包括截图/语音/视频/文档/多图等全模态理解、POI/时间/价格等结构化信息提取、Dense Caption 端侧图片理解等；再次，介绍关联记忆与合集归纳的内容聚合方案，实现从碎片到结构化记忆的自动整理；最后，分享流程化算法开发工作流与自动化评测体系的工程实践。

演讲提纲：

1. 问题背景：为什么需要全模态记忆整理，为什么难
   • 碎片化内容的多模态特性：截图、语音、视频、文档、多图的异构挑战
   • 三大核心难点：模态异构理解、跨模态关联、结构化生成
   • 用户价值与业务场景：从碎片到有序记忆的产品目标
2. 一键闪记整体架构：端云协同的多模态理解框架
   • 产品层触发入口：
     • 小布记忆（单击/长按/双击）、魔方按键、小布助手（Query/主动/推荐气泡）
     • 端侧采集框架（三指上滑/点击交互）、截屏（普通截图/长截图）
     • AI流体云（取餐码）、密码本（个人信息）、日历（日程/待办）、相机（大师参数）
   • 端侧引擎（基于自研 AndesVL 多模态大模型）：
     • 采集：图文提取、语音转ASR、视频
     • 端侧算法（AIUnit）：NER&OCR能力、图片分类和总结、结构化字段、取餐码、账单、大师参数等
     • 存储记忆数据
   • 云侧服务：
     • 内容安全
     • 复杂推理任务：复杂订单提取、复杂NER提取、复杂日程待办
3. 端云任务分流与多模态理解能力
   • 分流模块：对输入图文信息进行分析，生成分类标签；根据分类标签进行任务规划
     • 简单场景（流量占比 80%）：直屏/焦点屏（单屏）+ 手机 + 任务数≤2 + 单标签单实例（如单个订单、单个火车票、单个日程），需同时满足
     • 复杂场景（流量占比 20%）：分屏/多浮窗/平板，或任务数>2，或多标签分类/多实例信息（如多个日程、多个火车票）
   • 多模态理解能力
     • 截图理解：11 类场景分类、POI/时间/价格等结构化信息提取、Dense Caption 端侧图片理解
     • 语音理解：语音转ASR、意图识别、关键信息提取（语音记-日程待办、语音记-记账）
     • 图文理解：结构化提取、日程待办、取餐码、记账、文本-记账分类
     • 视频理解：关键帧提取与内容摘要生成
     • 文档/多图理解：长文档结构化、多图相册的批量理解
     • 多语种 POI 提取：英语、印地语、印尼语场景优化
   • 端云结果合并：端侧抽取结果传到云端后处理 → 云侧合成最终结果 → 返回端侧 AIUnit → 流体云服务下游分发
4. 内容聚合与智能整理：从碎片到结构化记忆
   • 关联记忆：多规则融合召回（标题/实体/标签匹配）+ Rerank + LLM 精排
   • 合集归纳：用户手动创建、A标签推荐、洞见推荐三链路统一 → Reranker + Verify 两阶段聚合
   • 合集分类与总结：分类 LLM 识别知识/旅行/健康合集 → 自适应摘要模板
   • 效果数据：合集创建准确率 83% → 97%，新记忆加入准确率 76% → 95%+
5. 工程实践与效果验证
   • 流程化算法开发：Model Selection → Prompt Eng（人工+APE）→ Business Benchmark
   • 自动化评测体系：LLM-as-a-Judge 的多维度质量保障，badcase 反馈闭环
   • 核心效果指标：场景分类准确率、结构化信息提取准召率、合集创建准召率

听众收益：

• 掌握端云任务分流的设计方法：如何定义简单/复杂场景边界，如何通过分类标签生成动态 Prompt，如何在保证效果的同时最大化端侧推理占比（80%流量端侧化）
• 了解全模态理解的技术挑战与解决方案：如何基于自研 AndesVL 多模态大模型构建端侧推理能力，端侧 AIUnit 支持的任务类型（图文-结构化提取、日程待办、取餐码、记账等），以及端侧推理优化策略（Prompt 精简、输出格式优化、图片 resize）
• 掌握内容聚合的双路方案：关联记忆的多规则融合召回 + Rerank + LLM 精排架构，合集归纳的三链路统一 + Reranker/Verify 两阶段聚合方案，以及如何平衡召回率与准确率
• 学习合集分类与自适应总结的实现方法：分类 LLM 如何识别知识/旅行/健康合集，不同垂类如何切换摘要模板，以及如何避免模型幻觉
• 学习 LLM 应用的工程化实践：流程化算法开发工作流（Model Selection → Prompt Eng → Business Benchmark）、自动化评测体系（LLM-as-a-Judge）、badcase 反馈闭环等可直接复用的方法论

OpenViking 是火山引擎开源的全新上下文数据库，基于 Viking 团队对上下文工程的理解，面向 AI Agents 全新设计，一经推出就得到开源社区的欢迎和积极拥抱，目前已经积累数千人的开源社群和 GitHub 两万+关注量。本演讲将介绍 OpenViking 的孵化过程、架构设计和后续迭代思路，并通过数据和用例介绍其优势和主流用法。

本次的重点包括：1. 深入介绍 OpenViking 在以往的知识和记忆工程中获得了怎样的启发；2. OpenViking 的量化指标测评，以及在不同使用场景下的优势；3. 未来在非结构化数据为中心的上下文工程领域，如何为新一代 AI Agents 工程开发带来怎样的便利。

演讲提纲：

1. OpenViking 项目入门介绍
   • 项目背景：全新定义的上下文数据库
   • 快速开始：用最快的速度部署和使用 OpenViking
   • 应用介绍：快速了解 OpenViking 支持的 AI 应用
2. OpenViking 设计和演进过程
   • 依赖、部署、选型考虑
   • 如何以 AI Agents 为中心进行多租户设计
   • 记忆系统的迭代
   • 知识检索系统的迭代
3. OpenViking 应用场景和评估
   • 多智能体协作
   • 记忆能力
   • 知识检索能力
   • 代码能力
   • 成本和效率
4. OpenViking 的未来应用和展望
   • OpenViking 服务于 AI 原生团队
   • 数字员工及其安全性挑战

听众收益：

• 了解开源项目 OpenViking 上下文数据库的技术内核
• 了解如何基于 OpenViking 构建多 Agents 生产集群
• 了解上下文工程（知识、记忆、技能）的技术选型和评价方法