从 Oracle Agent Memory、中国的数据闭环，到我正在研究的 Decision Middle Layer
最近，我读到 Oracle 发布的《Oracle Agent Memory as an Enterprise Memory Substrate for Long-Horizon AI Agents》。
这篇文章对我很有启发。它没有把 AI Memory 简单理解成“保存聊天记录”或者“做一次向量检索”，而是把记忆看成一整套生命周期：哪些信息应该被保存，如何提取和总结，如何限定在不同用户、Agent 和会话范围内，以及如何更新、删除和遗忘。
Oracle 还把 AI Memory 放到了企业数据库、身份权限、审计和数据治理的框架里。它的意义不是发明了一个单独的 Memory 功能，而是把 Memory 定义成了长期 AI Agent 的基础设施。
但对我来说，Memory 很重要，却不是终点。
一、AI 要做决策，首先必须理解用户
我一直在研究一个概念：Decision Middle Layer，简称 DML，也就是决策中间层。
未来的 AI 不只是回答问题，而是会越来越多地替人完成选择和决策。比如选择商品、安排旅行、寻找服务商、处理企业采购，甚至帮助用户分配时间和资源。
一个决策要真正符合用户需求，AI 就必须了解这个用户。它必须记得用户以前说过什么、做过什么、拒绝过什么。
所以，AI Memory 是决策系统的重要基础。
但是，仅仅“记住”还不够。
AI 还需要知道，这项偏好适用于什么场景；它是长期偏好，还是当前任务的临时要求；它是硬性条件，还是可以妥协的倾向；当两项偏好发生冲突时，哪一项优先；用户过去的行为，是否真的代表用户的意图。
这就是我所说的用户偏好表达层。
二、人的偏好不是一句话，也不是一个标签
人的很多感知、经验和认知总结，很难通过一个简单的逻辑判断完整表达出来。
例如，我购买电子产品、家具或者汽车时，可能一直偏爱金属色、银色或者裸色。
但这显然不代表我喜欢穿这些颜色的衣服。
假如 AI 只是记住一句“这个用户喜欢银色”，那么当它进入另一个场景时，就很可能做出错误的判断。
真正需要保存的不是一个孤立标签，而是一组带有条件的偏好。
它需要知道我喜欢什么，在什么产品类别里喜欢，在什么情境下成立，偏好有多强，有没有例外，这项判断来自我的明确表达，还是来自行为推断，以及它什么时候会失效。
所以，Preference Layer 并不是传统意义上的用户画像。
它更像是把模糊、分散、甚至互相矛盾的人类偏好，转换成 AI 可以执行的决策状态。
三、中国有更多数据，但数据被困在不同的闭环里
我认为，中国在这个方向上拥有非常独特的优势，也面临非常独特的困难。
优势是，中国有大量高频、场景化的用户行为数据。
电商、支付、内容、社交、本地生活、出行和客服等场景高度数字化。很多中国平台能够在自己的生态内部看到非常完整的用户行为链路。
但困难恰恰也来自这里。
每一个生态都很强，却又彼此封闭。
淘宝理解的是用户在淘宝里的行为；内容平台理解的是用户在内容平台里的行为；本地生活平台理解的是餐饮、出行和服务消费。
每个平台都有自己的数据闭环，但很难形成一个真正横向、跨场景的用户理解。
阿里云百炼已经提供长期记忆、记忆提取、记忆规则和跨会话召回等能力，说明国内大厂已经把 Memory 作为 Agent 平台的重要组成部分。
EverMind 的 EverMemOS 则尝试把零散对话组织成 MemCells 和主题化的 MemScenes，持续更新用户画像，并处理长期记忆中的时间、整合与冲突问题。这代表国内团队在 Memory 算法和长期用户建模方面已经进入全球第一梯队。
但是，这些进展仍然不能自动解决跨场景偏好问题。
一个平台拥有大量数据，并不等于它理解用户在所有场景下的偏好；一个创业公司知道这种数据存在，也不等于它能够获得这些数据。
这就是中国 AI Memory 创业所面对的现实矛盾：
我们拥有很强的数据闭环，但横向数据能力较弱；国外的数据密度未必更高，却拥有更成熟的横向开发生态、工具标准和跨应用基础设施。
因此，中外最终很可能形成不同的 Memory 生态。
国外更容易出现横向、模型中立、跨应用的 Memory Layer。
中国则更可能先在电商、客服、内容、汽车、金融服务等具体场景中，形成深度垂直的记忆和偏好系统。
四、这是不是一个适合创业、也适合 VC 投资的机会？
我的判断是：
这是一个市场正确、理念正确，但不一定仅凭概念就能获得投资的方向。
AI Memory 很重要，用户偏好基础设施也很重要。但是，对投资人来说，“未来所有 AI 都需要记忆”还不足以证明一家创业公司能够成立。
尤其在中国，通用 Memory 基础设施需要大量客户、数据、算力、工程能力和生态合作。创业公司很难正面与云厂商、数据库公司和大型平台竞争。
而当前中国 AI 融资虽然正在回暖，但资金仍然高度集中在少数头部项目，交易数量并没有同步增长。这意味着资本愿意投资 AI，却更加看重技术壁垒、明确客户和快速验证。
因此，创业机会可能不在于重新做一个通用 Memory 数据库，而在于建立一个面向特定决策场景的用户偏好表达与执行层。
它可以从购物、旅游、企业采购、客服或者销售推荐中的一个场景开始，解决一个非常具体的问题：
如何区分长期偏好与当前要求。
如何处理显性表达与行为推断之间的冲突。
如何把模糊偏好转换成硬约束、软偏好和决策权重。
如何让用户查看、修改和撤销 AI 对自己的理解。
如何向不同 Agent 提供当前任务真正需要的偏好，而不是整个用户档案。
五、Memory 记录过去，Preference Layer 决定下一步
Oracle 的文章让我更加确定了一点：
AI Memory 将成为 Agent 基础设施，但 Memory 本身不会自动产生正确决策。
记忆回答的是：
用户过去说过什么、做过什么？
偏好表达层回答的是：
在当前场景下，哪些信息真正重要？这个 Agent 应该如何代表用户做决定？
这两者之间，还有一个尚未被充分定义的中间层。
我认为，这正是值得继续研究的地方，也是中国 AI 创业生态中一个可能被低估的机会。
