Stripe AI Day 上，Chroma 创始人抛出一个更激进的 AI 记忆路线

大模型还在拼参数、拼上下文窗口时，Chroma 的联合创始人 Anton Troynikov 在 Stripe AI Day 上把注意力拉向了另一件事：可编程记忆与闭环系统。这不是更快的模型，而是会“自己变聪明”的 AI。

Embedding 不是终点，而是所有 AI 产品的起点

Anton 一上来就点破一个行业共识：今天几乎所有 AI 应用，底层都离不开 embedding + retrieval。而 Chroma 正是在这个看似“基础设施”的层上，成为大量开发者的默认选择。

但他的态度很明确——embedding 本身并不性感，真正重要的是它让 AI 第一次拥有了“可外置、可管理、可演化的记忆”。这也是为什么 embedding 检索系统，正在从“RAG 配件”变成产品核心。

真正的分水岭：AI 开始进入“闭环系统”时代

演讲中最反直觉的一点在这里：Anton 并没有把未来押在更大的模型上，而是押在闭环（closed loop）系统。

他描述了一类正在出现的新系统：模型会使用工具、读取记忆、生成结果，再把新的信息写回记忆中——形成一个可以不断自我改进的循环。这是“第一次可以运行的、基于可编程记忆的自主系统”。

换句话说，AI 不只是回答问题，而是在运行一个长期过程。

当上下文窗口变大，为什么记忆反而更重要

一个很容易被忽略的趋势是：上下文窗口正在快速变大。表面看，这似乎削弱了向量数据库的价值。

但 Anton 给出了相反判断：窗口越大，系统越复杂，结构化记忆就越关键。不是所有信息都该塞进 prompt 里，真正有价值的是：什么该被长期记住、如何被更新、何时被调用。

这正是 embedding + 可编程存储存在的意义。

Chroma 的真实价值：不是存数据，而是参与决策循环

在问答环节，有人直接抛出了尖锐问题：在这个闭环里，Chroma 的独特价值到底是什么？

Anton 的回答指向一个更高维的定位——Chroma 不只是“向量数据库”，而是 AI 系统决策循环中的一部分。它影响模型看到什么、忘记什么、以及下一步能做出怎样的判断。

这也是为什么他说，Chroma 会“持续为这些系统提供动力”，而不是被更大的模型所取代。

总结

这场演讲的真正信息量不在产品功能，而在路线判断：AI 的下一步竞争，不只是模型能力，而是记忆与循环设计。对从业者来说，值得立刻思考两件事：你的系统有没有长期记忆？这些记忆会不会反过来改变系统行为？未来真正拉开差距的，可能不是你用了哪个模型，而是你是否构建了一个能自我进化的闭环。

关键词： Chroma， Embedding， 可编程记忆， 闭环系统， 上下文窗口

事实核查备注： 需要核查：视频具体时长；Anton Troynikov 的联合创始人身份表述；Stripe AI Day 的活动背景；关于“闭环系统”和“第一次可运行”的原话措辞