General Agent的上半场重点是如何结合海量的tools 实现全场景的功能覆盖，同时各家目前都在做自己的Agent流量入口，General Agent下半场是什么？ 个性化记忆。怎么做？ 显式明文？隐式参数？目前是没有共识的

DeepSeek给出了他们的思考，DeepSeek Engram, 采用知识（Engram Table）和推理分离的技术架构可以很好的解决以前要增加模型的知识量，必须把模型做大（重新训练），成本极高的训练范式，转为只需要小参数模型LLM带着无限扩容的知识库进行模型的训练和调优。

DeepSeek Engram是一种原生向量记忆（AI-Memory Native）的解决方案，在交互的过程中就可以实现个性化记忆的更新。通过对用户的Query的将新输入的隐藏状态（Hidden State）通过一个简单的变换函数，直接转换成一个 Engram 向量，“覆盖”或“添加”到表中的空闲位置就可以实现零训练的个性化记忆插入，举个例子：
过程：
你告诉LLM：“我喜欢吃西瓜”
LLM产生一个坐标,Query向量查询，指向量表Engram Table里原本存“水果”这个通用概念的抽屉。
LLM只针对这一个抽屉进行微小的数学计算，把“喜欢吃西瓜”这个信息塞进去。

下一轮对话中 Engram表已经更新好了，因此已经有相关的隐式常识了，完全不需要离线构建和离线检索。

这个最终的效果就是聊的越多，Engram表中表征了越多了个性化信息，用户就越来越离不开这个产品了，26年新的大模型技术范式（23年RLHF, 24年MoE, 25年R1）出现了