6 月 10 日，第一届CCF大模型与AI工程大会暨自然语言处理战略研讨会在天津举行。Minverse 心洲科技首席科学家、Mind Lab Director马骁腾受邀参加了“智能体记忆工程”技术论坛，并带来题为《迈向经验智能：从 Context Engineering 到 Context Learning》的主题分享，围绕长期记忆、个性化智能体、LoRA RL后训练框架等方向，展示了Mind Lab在下一代AI Agent训练体系上的最新思考与工程实践。
随着大模型应用从单轮问答、RAG知识库走向长期运行的智能体系统，“记忆”正从附加功能变成Agent能否真正可用的底层能力。马骁腾在分享中提出，AI的下半场将进入“经验智能”阶段：模型不应只依赖人工编排的上下文，也需要从真实交互、用户反馈、任务过程和产品数据中持续学习，把经验沉淀为可复用、可更新的能力。
在技术路径上，Mind Lab强调“Research-Product Co-design”，即让研究、产品和基础设施形成闭环。一方面，真实产品场景为模型提供高质量、多维度的经验数据；另一方面，算法和Infra反过来支撑模型持续迭代。围绕这一思路，Mind Lab构建了面向后训练的LoRA RL能力，并探索通过“one base + multi-LoRA serving”的方式降低训练与推理成本，使不同任务、不同用户、不同场景下的模型适配变得更可持续。本次分享中，Mind Lab也重点介绍了从 Context Engineering 到 Context Learning 的转变。前者更像是在模型外部组织检索、工具、技能与记忆，收益主要停留在上下文层；而后者则试图把真实交互中的有效信号写回模型，使技能逐步从prompt空间沉淀到参数层能力。其结果不仅是训练门槛降低，也意味着“一个人一个模型”的个性化智能体单元开始具备工程化可能。
以Macaron为例，Mind Lab正在将个人智能体作为经验智能的真实试验场。通过对话数据、用户反馈、Miniapp制作与操作、产品留存等多源信号，模型可以更好地理解用户偏好、任务状态和长期目标，进而提供更贴近日常生活场景的个性化服务。从行业角度看，智能体记忆工程正在成为大模型落地的关键分水岭。对用户而言，AI不再只是“回答问题”的工具，而是能够长期理解、持续陪伴并参与决策的个人智能系统。对产业而言，谁能把真实使用经验转化为模型能力，谁就更有机会在下一阶段Agent竞争中建立长期壁垒。
