企业AI智能体陷入“个体孤岛”：共享记忆成为释放生产力的关键

在企业引入AI智能体（AI Agents）的浪潮中，一个隐蔽但致命的效率瓶颈正逐渐浮现：智能体的“记忆”正处于碎片化状态。目前大多数企业级AI工具在设计上是“以个人为中心”的，这意味着当团队中的一名成员通过优化提示词（Prompts）、提供精准反馈或补充业务背景来“调教”智能体后，这些宝贵的改进仅对该用户生效。一旦同事打开同一工具，智能体将重新回到初始状态，所有人都在重复地从零开始训练。

这种“记忆孤岛”在复杂的多智能体工作流中会被进一步放大。在理想的企业协同场景中，团队期望智能体能够跨用户、跨任务共享上下文。然而，由于缺乏统一的共享记忆层（Shared Memory Layer），团队成员实际上在训练该智能体的多个互不同步的版本，导致任务重复执行、信息版本不一致，甚至出现不同智能体之间给出相互矛盾指令的尴尬局面。

这一技术缺口直接体现在生产力数据上。根据Asana的研究，尽管已有75%的知识工作者在工作中使用AI，但仅有5%的公司报告了实质性的生产力提升。Asana首席产品官Arnab Bose指出，目前的模型提供商在提升逻辑推理和重试循环（Retry Loops）方面已取得长足进步，但在将企业工作上下文转化为人类可理解的“共享记忆”方面仍显不足。

为了解决这一问题，Asana推出了其“智能体工作管理平台”（Agentic Work Management platform）。该平台的核心在于构建一个上下文图谱（Context Graph），确保任何成员对智能体的修正都能实时同步给全队。这意味着员工无需成为提示词工程（Prompt Engineering）专家，智能体即可通过系统自动提供的共享上下文实现能力的累积增长。

从技术原理来看，主流的大模型本质上是“无状态”的（Stateless），因此记忆必须作为独立于上下文窗口之外的专用层存在。目前的行业挑战在于：在多用户共同读写同一个实例时，如何决定存储哪些信息、由谁控制权限以及如何保持数据的一致性。Collate联合创始人兼CTO Sriharsha Chintalapani认为，企业应停止将共享记忆仅仅视为一个提示词工程问题，而应将其视为一种能够跨对话重复上下文的系统架构。Zeta Global首席数据官Neej Gore则进一步将这种共享上下文定义为能够“在企业内部产生复利效应”的活体记忆。

目前，市场上的路径分化明显。例如微软的Copilot采取的是“个人优先”策略，侧重于学习单个用户的角色、语气偏好和工作模式。而对于追求机构知识自动累积的工程化团队来说，这种方案意味着长期的个体维护成本。相比之下，能够连接到团队级记忆层的智能体架构，正在成为企业采购AI平台时的核心技术准则，而非简单的“附加功能”。

来源： VentureBeat report