Echo：Agent 时代的记忆基础设施

趋势

AI 正从回答问题，进入真实工作的执行与交付。

模型负责理解和规划，Harness 负责调用工具和执行操作。AI 不再只回答问题，而是读取文件、使用浏览器、修改代码、运行命令并交付结果。了解 Agent 如何工作。

• OpenAI：2026 年 3 月收入达到每月 $2B，相当于 $24B annualized revenue；企业业务占收入 40% 以上。[2]
• Anthropic：2026 年 5 月 run-rate revenue 达到 $47B。[4]
• Claude Code：单产品 run-rate revenue 超过 $2.5B；周活自年初翻倍；business subscriptions 增长 4×。
• Codex：每周用户超过 5M；2 月以来增长 6×；约 20% 用户来自非开发者知识工作。[3]
• GitHub：拥有 180M+ developers、每月合并 43.2M 个 PR；为 agentic workload 将容量设计目标从 10× 提高到 30×。[5]

问题

Agent 每次开始任务，都在重新学习已经做过的工作。

真实工作需要持续状态：项目为什么这样设计、哪些路径已经失败、用户偏好是什么、上一个 session 做到哪里。今天的 Agent 只能把旧 context 反复装回窗口。

• 重复加载：旧消息、文件和工具输出在后续轮次被反复携带。
• 边界失忆：换 session、换模型或触发 compaction 后，目标、决策链和失败路径被切断。
• 重新勘探：Agent 不知道上一次读过什么，只能重新搜索 repo、读取文件和运行命令。
• 新旧冲突：系统缺少 update chain，无法判断哪条约束仍然有效。

Echo 对 78 个高强度 Agent 工作 session 的内部取样显示：[6]

• 96.3% 的 token volume 是 cache read。
• 真正的 model output 只有 0.6%。
• 平均 re-feed multiplier 为 129×。

Echo MCP 在任务开始前重建最小充分 context。内部同类工作对照显示：

• Input tokens / turn：1.51M → 0.32M，下降 79%。
• Time / turn：2.35 min → 0.94 min，下降 60%。
• Tool calls / turn：16.05 → 4.13，下降 74%。
• Repo reads / turn：9.51 → 1.22，下降 87%。

结构性机会

跨平台、跨 session 的工作记忆正在成为新的基础设施。

重度用户同时使用 Claude Code、Codex、Cursor、ChatGPT 和 Gemini。平台之间没有共同记忆；同一平台的新 session 也不能可靠继承旧 session 的有效状态。

• 完整历史超过 context window，不能持续 copy-paste。
• 摘要会丢失决策逻辑、约束和失败路径。
• 原始记录包含大量重复、过期和无关内容。
• 用户已经付费产生的经验被锁在不同平台，无法形成复利。

产品

Echo 在用户现有的工作入口中捕获、压缩并交付记忆。

Echo 在用户原有的工作入口中捕获、压缩和交付记忆。

• Echo MCP：连接 Codex、Claude Code、Cursor 和其他 MCP clients，为任务生成 warm-up context。
• Chrome Extension：覆盖 ChatGPT、Gemini、Claude 等网页 AI，将存量对话转成长期记忆。
• Echo iOS：在移动端保存、搜索和调用个人记忆。
• OpenClaw：把 Echo 记忆带到持续运行的 Agent 和硬件连接场景。

Echo 将长期记忆组织为 Entities、Facts、Logic 和 Update Chain，并通过 Compression、Retrieval、Selection 和 Generation 重建任务需要的 context。

• Echo 在内部 LongMemEval hard set 上取得 95.8%。查看 LongMemEval 研究。
• Supermemory 公布的结果为 95.0%。
• Mem0 公布的结果为 94.4%。
• 各家评测设置并不完全相同；Echo 的 95.8% 是内部复现结果。[7]

市场

先服务已经为记忆缺失付出时间和 token 的重度用户。

Echo 的第一批用户是每周使用多个 Agent、跨 repo、terminal 和 browser 工作，并已经为 AI 工具付费的 professional users。

• 3–5M users：可直接服务的 heavy agentic builders、founders、researchers 和 AI-native operators。
• 7–10M users：去重后的 Codex、Claude Code、Cursor、Copilot agent 和多平台 power users。
• 15–25M users：扩展到所有跨平台执行工作的 AI-native professionals。

• $19 / month Starter：个人记忆和 browser capture。
• $40 / month Pro：MCP warm start、跨工具连续性和 multi-workspace。
• $100 / month Power / Team：高级工作流、团队记忆、analytics 和治理。
• 约 $33 blended monthly ARPU：20,000 paid users 对应约 $8M ARR。
• $5–$8 monthly COGS：当前规划中的每付费用户 storage、embedding、retrieval 和 model cost。
• 75–85% gross-margin target：需要通过真实付费 cohort 验证。

计划

用六个月验证从触达、激活到付费的完整增长路径。

Echo 已经完成主要产品入口。下一阶段的目标是验证从问题认知、首次 warm start 到持续付费的增长路径。

• 400K–600K approached users：通过 research content、marketplaces、creator、合作渠道和定向广告触达。
• 80K activated users：完成首次 Import 或 MCP warm start。
• 20K paid users：相当于 reached users 的 3.3–5.0%。
• $8M ARR target：按约 $33 blended monthly ARPU 计算。

• Month 1–2：完成 100-user WTP 和 activation validation。
• Month 3–4：达到 10K activated users，确认至少两个 repeatable channels。
• Month 5–6：达到 80K activated、20K paid 和 $8M ARR run-rate target。

融资

本轮资金用于全球市场验证和早期规模化。

Echo 本轮计划融资 $4M–$6M，用于完成全球市场验证和早期规模化。

• 40% Product & engineering：跨平台导入、MCP reliability、privacy、team memory 和成本优化。
• 35% Growth & distribution：内容、creator、performance、marketplaces 和全球渠道合作。
• 15% Research & trust：公开 benchmark、方法学、security 和用户价值报告。
• 10% Operations：关键招聘、合规、支付和客户支持。

OpenAI 和 Anthropic 证明 Agent 已经成为新的工作入口。Echo 要成为每一个 Agent 开工前调用的记忆层。