在人工智能技术飞速发展的当下，MemVerge创始人范承工提出了一个引人深思的观点：“AI的下半场，不是比模型能力，而是比谁掌握记忆的归属权。”这一论断源于他二十余年在存储与基础架构领域的深厚积累，也映射出他对AI未来走向的深刻洞察。
范承工的职业生涯堪称一部技术创新的编年史。从加州理工学院电子工程博士到数据中心与网络基础架构研究者，从重组Rainfinity并推动其被EMC收购，到回国创建EMC中国研发中心、担任VMware高级副总裁，再到出任猎豹移动CTO，他的每一步都走在行业前沿。2017年，他创立MemVerge，将目光投向企业级大内存软件领域，为AI时代的记忆管理埋下伏笔。
在范承工看来，AI时代的模型与记忆呈现出截然不同的特性：模型如同快速迭代的虚拟计算资源，而记忆则是持续积累、不可重置的持久性资产。这种判断源于他对存储行业演进的深刻理解——从“存储内嵌于计算”到“存储成独立层”的历史转折，造就了一个独立的大市场。如今，AI架构正站在同样的历史节点上，记忆的独立化已成为不可逆转的趋势。
基于这一判断，MemVerge在2025年9月开源了面向开发者的记忆底层项目MemMachine，为构建记忆独立层提供了技术基础。2026年7月，在WAIC上首次亮相的MemoryBox个人助手智能体，则将这一理念推向用户端。这款以记忆为中心的产品，通过整合模型与Agent，为用户提供了完整的个人AI体验，既服务于生活场景，也渗透至工作领域，其定位与ChatGPT形成差异化竞争。
MemoryBox的核心优势在于其独特的记忆管理架构。通过“记忆盒子”与“记忆抽屉”的设计，用户可以自定义工作、生活或特定项目等记忆空间，系统自动将相关数据整理其中。这种分类方式不仅支持可视化浏览与查询，还允许同一条信息归属多个空间，例如“孩子教育”内容可同时存在于“孩子”与“生活”两个抽屉中。在问答时，用户既可调用全部记忆空间，也可指定特定范围，从而获得更精准的答案。
面对海量个人数据，MemoryBox采用了多重技术手段实现精准搜索。其记忆层技术融合了数据库、图数据库、AI语义理解与时间轴整理，在查找召回率与错误识别率两个维度持续优化，确保注入模型的上下文与当前问答高度相关。这种技术组合不仅提升了搜索精度，也为降低Token成本提供了可能。
在Token优化方面，MemoryBox设计了四层机制：通过精准记忆读取减少Token使用量；提升检索精度降低Agent循环访问次数；将隐私敏感或简单问题分配给本地模型处理；采用多模型调度策略，在保证答案质量的同时控制成本。这些设计使得MemoryBox在处理复杂记忆任务时，既能保持高效又能控制成本。
范承工指出，大模型厂商在记忆功能上的局限性源于其商业逻辑。这些厂商以模型为中心，将用户记忆锁定在自家生态中以增强粘性，而记忆仅是其庞大版图中的一环。相比之下，MemVerge专注于记忆管理，通过“记忆盒子”架构系统性整理长期场景记忆，为用户提供了更深入的记忆服务。这种理念差异，构成了MemoryBox的核心竞争力。
在技术实现上，MemoryBox提供了灵活的模型接入方式。用户既可授权个人账号由系统代为调用，也可使用MemVerge统一账号访问所有模型。这种设计不仅方便了用户，也为多模型调度提供了基础。用户可以@豆包、@ChatGPT或同时调用多个模型作答，甚至让不同模型相互校验，显著降低幻觉与错误率。
对于硬件配置，MemoryBox提供了基础版与加强版两种选择。基础版对硬件无特殊要求，仅提供记忆层功能，未来将支持iPhone与Android平台；加强版则内置本地模型，可处理隐私敏感任务，对机器配置有一定要求。这种分层设计，使得不同需求的用户都能找到适合自己的版本。
在范承工看来，MemoryBox的成功关键在于用户体验的持续迭代。他更关注产品能否通过真实使用数据论证其价值，无论是工作提效还是生活辅助，用户是否愿意持续使用并获得切实收益。这种以用户为中心的理念，贯穿于MemoryBox的每一个设计细节中。
