7 月 9 日，腾讯云发布 Agent Bucket——一款专为 AI Agent 场景设计的原生存储服务，可为亿级 Agent 提供独立云空间，并已在 WorkBuddy、QClaw 等腾讯系 Agent 应用中部署。同一周，腾讯混元 Hy3 正式版发布，Agent 任务解决率跃升至 90%。当模型能力逐渐逼近天花板，Agent 的竞争焦点正在从"谁更聪明"转向"谁记得住、跑得稳、管得好"——存储与记忆，正在成为新的基础设施战场。
一、Agent Bucket：给每个 Agent 一块"自留地"
Agent Bucket 的定位很明确：它不是通用对象存储换了个名字，而是为 Agent 的运行特征专门设计的存储。一个真正的 Agent 在工作时，会产生大量需要被持久化的东西——运行时状态、对话与任务记忆、中间产物、工具调用记录。过去这些往往散落在应用自己的数据库或临时文件里，缺乏统一、可隔离、可恢复的载体。
Agent Bucket 的思路是给每个 Agent 一块独立云空间，支撑亿级 Agent 的并发隔离。它要解决的，是 Agent 从"能跑一次"到"能长期稳定跑"之间的工程断层。已在腾讯系 Agent 应用中部署这一事实，说明它不是概念验证，而是生产环境里的真实组件。
二、混元 Hy3：Agent 任务解决率 90% 的背后
7 月 6 日，腾讯混元 Hy3 正式版发布。它采用快慢思考融合的 MoE 架构，总参数 295B、激活参数 21B，支持 256K 上下文长度，以 Apache 2.0 协议开源，定价为输入 1 元 / 百万 token、输出 4 元 / 百万 token，命中缓存后输入仅 0.25 元。在 Agent 与工具编排类测试中，Hy3 建立了明确差异化优势，Agent 和代码核心能力提升 20% 至 30%，幻觉率下降一半，任务解决率跃升至 90%。
值得注意的是，Hy3 把"Agent 能力"作为核心卖点之一，而非单纯的对话或生成能力。这与 Agent Bucket 形成呼应：模型负责"想得对"，存储负责"记得住、跑得稳"，两者共同构成 Agent 落地的双层底座。
三、记忆：Agent 的隐形天花板
一个长期被低估的痛点，是 AI 的"失忆症"。当你关闭对话窗口，无论刚才交流多深入，AI 都会瞬间清空一切回到初始状态——这种无状态（Stateless）局限，正成为 Agent 向真正智能体演进的最大瓶颈之一。在 WAIC 2026 的相关讨论中，腾讯副总裁韩开创曾指出，多智能体长任务记忆丢失率高达 40%，指令偏差、上下文断层是核心故障主因。
针对这一痛点，行业正在分化出两条路径。其一是检索增强（RAG）与扩大上下文窗口，但本质上仍是"高级书签系统"——查得到却悟不到。其二是更进一步的"记忆内化"：盛大孵化的 EverMind 近期发布 Raven Agent（渡鸦），依托 EverOS 四层仿生架构，把对话流切分为记忆单元、聚合成记忆场景，构建包含用户身份、偏好、技能、目标的深度画像，并称具备可重写自身代码的进化能力，试图把 Agent 推向 L3 自进化阶段。无论哪家路线，结论一致：真正的记忆不是检索，而是内化。
四、基础设施年：存储、记忆、协议三位一体
把近一个月的发布串起来看，Agent 的底座正在快速成形：协议层有 MCP、A2A 解决"连接"与"协作"；成本层有 Nemotron、OpenSquilla 把推理成本压低一个数量级；存储与记忆层则有 Agent Bucket、Raven 这类产品补上"持久化"与"长期记忆"。模型是引擎，而存储、记忆、编排、协议是底盘。2026 年被称为 Agent 协议之年，但如果只谈协议而忽略存储与记忆，底座仍然是瘸腿的。
五、需要冷静看待的地方
"亿级独立云空间"在工程与成本上都是硬挑战，海量 Agent 的存储隔离、冷热分层、故障恢复，绝不是简单堆容量就能解决。记忆内化这类技术，其成熟度与跨场景泛化能力仍待大规模验证，Raven 的"自进化"表述也需要更多可复现的结果支撑。更现实的风险是碎片化——各家都在建自己的存储、记忆与协议体系，跨厂商 Agent 的互操作仍是开放问题。基础设施的年头才刚开头，标准之争与整合之痛，大概率还在后头。