记住信息不等于拥有记忆

很多 AI Agent 已经具备“记忆”功能。

它们可以保存用户偏好、历史对话和任务记录，也可以在下一次交互中检索过去的信息。从产品功能上看，这似乎已经足够接近“记忆”。

但实际使用一段时间后，问题很快会出现。

Agent 可能记住了大量无关内容，却没有保留真正重要的信息；它可能检索到了正确记忆，却没有在合适的任务中使用；它也可能继续依赖已经过时的内容，而没有根据新事实更新自己的判断。

这些现象说明，记忆并不是简单的存储。

对于一个长期运行的 AI Agent 来说，真正重要的问题包括： 什么信息值得记住？什么信息应该被更新？什么时候应该调用这条记忆？使用记忆之后，系统是否真的表现得更好？

传统记忆系统的工作方式

传统 Agent Memory 通常可以被概括为三个步骤。

首先，系统将对话、文档或任务记录写入数据库。之后，当用户提出新问题时，系统通过关键词匹配、向量相似度或混合检索找到相关内容。最后，系统将检索结果放入 LLM 的上下文中，由模型生成答案。

这种方式在短期任务中非常实用，但它依赖一个简单假设： 只要保存足够多的信息，未来就能够检索到正确答案。

问题在于，真实的信息价值并不能完全通过相似度计算。

一段话可能在语义上与当前问题相似，却无法真正帮助 Agent 完成任务。另一条看似普通的历史记录，可能在未来的关键场景中发挥非常重要的作用。

因此，Agent Memory 需要的不仅是数据库和检索器，还需要一套能够不断学习的决策机制。

Write：什么信息值得保存

记忆系统的第一个问题，是决定什么内容应该进入长期记忆。

如果 Agent 将所有对话都保存下来，记忆库会迅速膨胀。重复内容、临时信息和无关闲聊会不断积累，最终降低检索质量。

一个更合理的 Write 机制需要判断信息是否具有长期价值。

例如，用户一次性提出的临时要求，可能只适合保存在当前任务的 Working Memory 中；用户反复确认的偏好，则更可能应该被保存为长期记忆；项目中的一条稳定规则，可能需要被写入 Semantic Memory，并在未来持续影响 Agent 的行为。

Write 不是“把内容放进去”，而是对信息进行筛选、压缩和分类。

Retrieve：什么信息与当前任务有关

写入之后，系统还需要在正确的时间检索正确的记忆。

语义相似度可以帮助系统找到相关内容，但“相关”并不等于“有用”。

对于复杂任务，Agent 可能需要同时考虑时间、任务目标、用户身份和上下文关系。例如，一条旧记忆可能在过去有效，但已经被用户的新偏好替代；一条内容虽然与问题相似，但来自另一个项目，因此不能直接使用。

这意味着 Retrieval 需要结合更多维度，而不是简单地按照相似度排序。

Harness：如何真正使用记忆

即使 Agent 找到了正确记忆，也不代表任务已经完成。

系统还需要决定如何使用这些信息。

多条记忆之间可能存在互补关系，也可能存在冲突。Agent 需要判断哪些内容应该优先使用，哪些内容需要被验证，哪些记忆只能作为背景而不能直接作为行动依据。

这一步可以被称为 Harness，也就是将记忆真正转化为任务能力。

MemoraX AI 将 Write、Retrieve 和 Harness 视为一个相互影响的整体，而不是三个完全独立的模块。

将 Agent Memory 建模为序列决策

一次记忆决策往往会影响很多后续任务。

错误的写入会导致未来检索失败；错误的检索可能让模型形成不准确的判断；一次不恰当的记忆使用，还可能进一步污染系统后续的记忆更新。

因此，MemoraX AI 将 Agent Memory 视为一种序列决策过程。

系统不只关注当前一步是否正确，还会观察一个完整任务周期中的长期结果。通过任务完成情况、用户反馈和后续使用效果，系统可以判断此前的记忆决策是否真正有效。

如果某条记忆经常被检索，却从未改善任务结果，系统可以逐步降低它的权重。如果一条记忆很少被调用，但在关键任务中发挥了重要作用，则应该提高它的长期保留价值。

反馈如何让记忆系统持续进化

反馈是 Learnable Agent Memory 的关键。

反馈不一定来自明确的用户评价，也可以来自任务结果、工具调用是否成功、答案是否被修改，以及后续任务是否重复出现同类错误。

通过这些反馈，Agent 可以逐渐学习：

  • 哪些信息值得保留；
  • 哪些记忆容易造成误导；
  • 哪种检索策略更适合当前任务；
  • 哪些记忆需要被合并或更新；
  • 哪些内容应该被遗忘。

这让 Memory 从静态的历史记录，变成一个能够自我调整的动态系统。

未来的 Agent Memory

一个成熟的 Long-Term Memory 系统，需要同时具备信息选择、记忆压缩、内容更新和过时信息识别能力。 它不应该只是不断积累历史，而应该持续改变自己的组织方式。

从“记住”到“会进化”，意味着 AI Agent 不仅可以回忆过去，还可以根据过去的使用结果改变未来的行为。

MemoraX AI 认为，Agent Memory 的核心不是容量，而是学习能力。

未来的 AI Agent 需要知道哪些信息值得保留，哪些内容需要更新，哪些记忆适合当前任务，以及如何通过反馈不断改善自己的记忆策略。

只有当 Memory 能够持续学习，Agent 才真正具备长期工作的基础。