AI 最大的瓶颈，不是不会做事，而是不会记得你

你让 AI 订机票，它查了。

你让它再订一次酒店，它忘了你刚才说自己恐飞，推荐的全是跨城特价航班套餐。

这不是一个比喻。美团 LongCat 团队刚刚放出了一份基准测试，他们给 56 个”虚拟人”每人配了一个 AI 助理，拉长到平均 4.3 年、最长超过 8 年的互动周期。但这个结论和直觉相反。

模型接上记忆之后，不少场景得分不升反降。而当需要主动问一句”我还缺什么信息”时，Claude 家族的平均分从 46.0 直接跌到 27.4。

说白了，现在最强的 AI 模型，你让它用工具、做推理、写代码——它都能干。但你让它记住一个会变的人，它不会。

四年。819 个任务。一个”你是不是真的认识我”的考试

这份基准叫 VitaBench 2.0。它不是问 AI “今天北京天气怎么样”那种一问一答，而是模拟了 56 个真实特征的用户，每个人有自己的职业、家庭结构、消费习惯和说不出口的偏好——比如”带孩子出门时倾向于选有儿童餐的餐厅”或者”上次出差被噪音吵到之后开始只订高层房间”。

这些偏好不是一次性写死在用户档案里的。它们被埋在对话记录、浏览历史、下单行为里，像真实生活一样碎片化。平均每个用户的偏好会发生超过 48 次动态变化——旧习惯消失、新习惯出现、原本爱吃辣的突然开始养胃。

总共 819 个可执行任务，跨送餐、到店消费和在线差旅三个真实场景。每个用户平均有 2093 个交互事件。时间跨度平均 1580 天，最长的一个用户轨迹拉到 2974 天——超过 8 年。

你不需要知道底层评测框架是什么。你只需要知道：这是一场”AI 能不能在四年的碎片信息里，搞清楚你是个什么人”的考试。

记忆，不是装上去就管用的

一个最违反直觉的发现是：记忆系统装上去之后，在很多场景下，模型表现反而更差了。

VitaBench 2.0 设了三组对比——不给记忆，直接读全量历史（Full Context）；让 AI 自己决定记什么忘什么（Agentic Memory）；用一个外部搜索引擎检索历史片段（RAG Memory）。结果：

Claude-Opus-4.6，Full Context 模式下平均得分 0.503。接上 Agentic Memory，掉到 0.454。换成 RAG Memory，再掉到 0.430。

GPT-5 同理：0.441 → 0.421 → 0.410。

这不是一两个模型的个例。全文 17 个模型，大部分在接上记忆模块后得分都比”直接读全历史”低。

为什么会这样？因为记忆系统引入了两个新问题。一是记错了——Agentic Memory 在更新用户画像时会扭曲或丢失信息，累积久了偏差越来越大。二是检索不到——RAG Memory 靠相似度匹配返回历史片段，但相似度不等于相关性，经常召回一堆表面相关、实际对当前决策没用的内容。

说白了，你给 AI 装了个”记笔记”的功能，结果它记的东西要么是错的，要么翻出来也用不上。

这不是记忆本身没用。而是现在的记忆机制还不够好。

一个更大的问题：AI 不会主动问

记不住还能补。不会问，就永远补不上。

VitaBench 2.0 专门设计了一类”主动性任务”——场景里故意缺关键信息，模型必须意识到”我不知道”才能做出正确决策。比如用户说”帮我订个酒店”，但没说预算、没说日期、没说几个人。这时候 AI 需要停下来问一句，而不是直接猜。

结果：全部模型家族在这类任务上得分断崖式下跌。Claude 家族从 46.0 降到 27.4。其他家族模式一致：主动提问能力远落后于偏好理解能力。

Anthropic 自己在今年 3 月发过一篇工程博客，讲他们给 Claude 加了一个叫”think”的工具——专门在复杂的工具调用链里制造一个停顿，让模型停下来检查”我缺什么信息”。用了之后在客服场景里提升了超过 50% 的策略遵循能力。

这说明一件事：连 Anthropic 自己都知道”停下来想一想我是不是漏了什么”是当前模型的一个系统性短板。VitaBench 2.0 只是用数据证实了这个判断：不是某一个模型的问题，而是这一代模型在架构层面就不擅长”意识到自己不知道”。

工具学会了，人才是问题

DeepSeek 家族的数据里藏着一个更深刻的信号。

研究团队把模型的失败拆成两类：A 类（工具使用错误——选错 API、填错参数）和 B 类（偏好理解错误——没抓到用户想要什么、用了用户已经不再用的旧偏好）。

从 DeepSeek-R1 升级到 DeepSeek-V4-Pro 之后，A 类错误显著减少，B 类错误占比反而上升，变成了主要失败原因。

这不是退步。这是瓶颈转移。模型越来越会用工具了，但”理解一个正在变化的人”的能力没跟上。工具调用能力提升得越猛，个性化的短板就暴露得越彻底。

还有一组数据印证了这个结论。研究人员直接把用户的真实偏好喂给模型——不需要它自己从历史里提取，偏好直接写在 prompt 里。结果呢？多数模型仍然失败。

问题不在”知不知道你喜欢什么”，而在”知道了之后能不能用对”。

你告诉它你恐飞。它记住了。但它不知道”恐飞”意味着订酒店的时候应该避开机场旁边。它不知道”恐飞”在你的旅行决策里的优先级高于”价格最低”。它不知道这是一个持续偏好还是一个临时状态。

研究团队在论文里把这种困境精确地拆成了三个环节：提取偏好、利用偏好、更新偏好。现在最强的模型在第一环节已经不算太差——你给足上下文，它能猜个七八成。但在第二和第三环节，也就是”猜对了之后怎么用”和”用户变了之后怎么跟着变”，差距还很远。

这就解释了为什么即使把真实偏好直接喂给模型，分数也提不上去。就像你给一个新人看了你过去四年的所有消费记录和聊天记录——他”知道”你喜欢什么，但他不知道在”今天下午五点、外面下着雨、你刚开完一个让人烦躁的会”这个具体场景下，你真正想吃什么。

这就是当前 AI 和”一个真正了解你的人”之间的差距。

10 分钟后 vs 10 个月后 vs 10 年后

10 分钟后，你打开 ChatGPT 问一个问题，它不会记得你上一轮说了什么——除非你自己提。

10 个月后，也许你的 AI 助理能记住你喜欢的餐厅类型，但它大概率记不住你这十个月里口味变了三次，也记不住”不吃香菜”这个偏好的优先级高于”推荐评分高的餐厅”。

10 年后，如果这个问题没解决，我们拥有的将是一个工具使用能力登峰造极、但对人的理解仍然停留在”问答匹配”层面的 AI——它会帮你写代码、做表格、分析财报，但当你说”帮我想想办法”的时候，它给的建议和给任何一个陌生人的建议没有区别。

LongCat 团队在博客最后写了一句话：“从单点任务到长期陪伴，从被动执行到主动沟通。“前八个字说的是过去五年 AI 在做的事——越来越会执行。后八个字说的是未来五年 AI 必须学会的事——从”会做”到”会懂”。

下一轮 Agent 竞争，比的不是”会不会调用工具”，而是”能不能持续理解一个会变化的人”。

如果你正在关注 AI 行业，这是最值得盯的一个赛道。不是模型能力提升——那个天花板还远。是连接方式和持续理解——这个差距就在眼前，而且有基准测试、有数据、有可验证的短板。

幸知 / 2026-07-24 / 信源：美团 LongCat VitaBench 2.0（tech.meituan.com + arxiv 2605.27141 + vitabench2.github.io）；Anthropic “think” tool Engineering Blog。

如果你觉得这篇文章值得转给在做 AI 产品或关注智能体方向的朋友，欢迎转发。每次看到真正有数据支撑的反直觉结论，都值得被更多人看见。