Alloomi｜客户已经改到 V4，AI 还在执行 V1：Agent 需要的不只是上下文

本文作者：波妞PONYO（@ponyodong）。版权归作者所有，未经授权禁止转载。

凌晨一点，我盯着一支已经改到 V4 的 AI 广告片。生成镜头很快，让每一个工具知道客户刚刚改了哪句话，反倒拖住了整个项目。

最早的 Brief 要暖金色，第三版换成冷白；客户上午说片头不要 Logo，晚上又补了一句，可以出现，但要放到第二秒以后。我打开另一个 AI 工具，它能读很长的上下文，也能从历史记录里准确找到“片头不要 Logo”，然后一本正经地执行一条已经作废的要求。

这类时刻让我意识到，Agent 的下一轮竞争可能并不在“能接多少工具”。一个 AI 就算拥有更长的窗口、更多的工作流和更大的知识库，只要它分不清旧要求与当前状态，也无法把一次次修改沉淀成下一次可复用的判断，那么每次新任务开始，它仍然要从头学起。

我原本把这理解成记忆问题。读完 Alloomi 公布的两篇技术报告后，我发现记忆只是整条技术路线的第一层。一个能进入长期专业工作的 AI，至少要跨过三道门：记得住、学得会、做得成。

传统 Agent Memory 常沿用 RAG 的办法：存下历史，向量检索，再把相似片段拼进提示词。它能找到“客户曾经说过片头不要 Logo”，却未必知道这条要求已经过期。

Alloomi 的 **Holistic Context 技术报告** 把上下文视为持续变化的工作状态。人物、项目、会话、文件与任务被归到统一实体和时间线上；新证据推翻旧结论后，系统保留来源、有效时间与替代关系。召回解决“找到过去”，全域上下文要解决“过去如何演变成现在”。

这层能力有三项公开结果：

LongMemEval\-S：97\.6%，对照 Mem0 V3 的 94\.4%，公开人类参考为 82\.9%。它覆盖长期信息提取、知识更新与多会话综合推理。
LoCoMo\-V2：97\.4%，对照 Mem0 V3 的 92\.5%。它考察跨会话问答、人物与事件关系、时间关系和多跳推理。
BEAM 10M：67\.0%，对照 Hindsight 的 64\.1%。它检验 Agent 在 1000 万 Token 历史里维持全局任务理解的能力。

团队开源的 **OpenContext** 是这条路线的一扇工程窗口。它仍处于早期阶段，我的上手结果更适合作为技术方向的辅助证据，而不是整篇文章的主题。

记得住只是起点。下一步要看这些上下文和修改反馈，能不能沉淀成模型下一次可以复用的能力。

记住 V4 的要求，只能让这一次交付少出错。真正拉开差距的是，做完这次项目后，AI 能不能把“为什么采用 V4”带进下一次工作。

Alloomi 的 **Self\-Evolving Agent 技术报告** 给出了一条闭环：真实任务产生上下文、行动与反馈；系统先做质量筛选和专家锚定，再进入后训练；新版本通过评测才能准入，效果变差则回滚。它不是让模型自己复盘自己，而是让专家标准、任务结果和版本控制共同决定什么经验值得学。

这层能力有三项具体对照：

CL\-Bench：47\.6%，对照 GPT 5\.6 Sol 的 21\.5%。它考察 Agent 能否从复杂上下文中学会新知识、新规则并用于后续执行。
CL\-Bench\-Life：32\.1%，对照 GPT\-5\.5 High 的 22\.2%。它考察长周期、多阶段任务中的经验积累与迁移。
Con\.L Bench：32\.6%，对照 Claude Sonnet 4\.6 的 22\.3%。它考察跨任务持续学习、环境适应和抗遗忘；该结果比对照高 10\.3 个百分点。

技术报告里还有一组更适合判断机制是否有效的同 backbone 结果：固定 Qwen3\.6\-35B\-A3B 后，CL\-Bench 从 FewShot 的 24\.5% 提升到 47\.6%。参数底座没换，改变的是筛选、回放、蒸馏与受控更新这套学习闭环。

__XPOSTER_gmwdj_IMAGE_3__

AI 记住了历史，也学会了规则，最后仍要接受真实工作的检验。它能不能处理高经济价值职业任务？能不能修复真实 GitHub 问题？连续工作时，前一个任务学到的经验会不会在下一个任务里派上用场？

GDPval\-AA Normalized：74\.2%，对照 Claude Opus 5 的 67\.9%。这项评测覆盖 44 类职业中的高经济价值任务。
JobBench：57\.5%，对照 Kimi K3 的 54\.7%。它考察真实职业任务、复杂工作流程和专业结果交付。
SWE\-Bench\-CL：80\.6%，对照 OpenCode \+ Kimi K3 \+ FAISS 的 73\.3%。它要求 Agent 修复真实 GitHub 问题，同时检验跨版本连续软件工程中的经验迁移与抗遗忘。

这些 benchmark 使用的模型、任务与评分协议并不完全相同，不能把九个百分比相加，也不能把每一行都当成同条件横评。它们共同回答的是三个连续问题：AI 能否保持长期工作状态，能否从任务与反馈中学到新能力，学到的能力最终能否改善真实交付。

这三层背后，是同一条技术闭环：

真实任务轨迹 → 质量筛选 → 专家锚定 → 后训练 → 评测准入 → 版本回滚。

应用进入真实工作，捕获公开互联网里没有的专家判断与修改依据；Holistic Context 把碎片组织成可追溯的经验；Self\-Evolving Agent 再把经过筛选的经验写回模型能力；评测与回滚控制更新风险。