Agent 的记忆问题：为什么你的 AI 助手总在失忆

一个日本音乐人花了 10 小时向 AI 倾诉她的全部计划，第二天付了 30 美元。付费后 9 分钟，她发现 AI 把一切都忘了。

她留下的最后一句话是：「結局何も積み重なっていかない。」（最终什么都积累不起来。）

这不是个案。几乎所有做 Agent 产品的团队，都在面对同一件尴尬事，用户把 AI 当伙伴来信任，但 AI 的记忆力连一条金鱼都不如。金鱼好歹没有给用户许诺过“我会记住”。

行业里有个热闹的话题叫“Agent Memory”。LangChain 在做 OpenWiki Brains，OriginTrail 在做 agent 共享记忆系统，几乎每家 AI 公司都声称自己“解决了记忆问题”。但仔细看会发现，大多数方案在解决的其实是一个错误的问题。

01 被命名歪了的问题

把冰箱想象成你的大脑。你从超市买回来的东西（新对话里获得的信息），确实需要一个地方放。但明天做饭时能不能找到那包虾仁，不看冰箱容量有多大，看的是你把它塞在了哪一层、贴没贴标签，还有打开冰箱门时眼睛先往哪看。

“Agent Memory”这个名字把所有人的注意力引向了“怎么存”，但真正决定效果的是“在回答某个具体问题时，能不能把对的内容按对的形式和顺序送进 LLM”。

研发团队做了一轮系统评测，对比了市面上六大流派的记忆方案。

相同测试条件下，最简单的做法（保留原始对话文本 + 用关键词搜索）跑出来的分数，反而比绝大多数精心设计的复杂工程都高。BM25，一个诞生于上世纪的文本检索算法，在三轮评测里稳居前列。

这意味着什么？那些花大力气做“事实提取”的方案（用 LLM 把对话压缩成事实卡片、再存进向量数据库），其实在压缩的过程中把关键细节丢掉了。用户原本的语气和上下文连同条件限定一起被压没了。等到需要调用的时候，检索系统拿到的是一堆干巴巴的结论，失去了原来的温度和精确性。

从评测数据看，保留原文的方案（MemMachine 得分 0.9169）显著高于事实提取流派（Mem0 约 0.68）。一次性的 LLM 提取，是明确的负 ROI 动作。

不过这条结论还有一个重要的边界条件。如果在“读”的阶段让 Agent 自己决定搜什么、搜几次，以及用不用搜到的内容（类似 Letta 的做法），那压缩造成的损失还补得回来。但如果压缩完就存着、等被动检索来命中，错过就是错过了。

说到底，难点从来不在“怎么让 AI 记住更多”，而在“怎么在对的时刻把对的信息递到 AI 手里”。存只是第一步，取才是关键。

02 三层记忆：从“失忆”到“知道该记什么”

回到那位日本音乐人 Naomi 的故事。她的 AI 助手为什么会在一夜之间忘掉所有？技术上的原因并不复杂，每次开新对话（Session）时，AI 看到的是一张白纸。上一次对话的上下文消失了，没有任何机制把昨天聊过的关键信息传递到今天。

这就好比一个公司里没有交接制度。你的同事昨天跟客户聊了三小时，今天轮到你接班，但他什么都没留下。客户打来电话，你只能说“您好，请问您是哪位？”

现在的做法是分三层来解决：

第一层是短期记忆（Short-term Memory），用来存最近 7 天的任务状态摘要，每小时刷新一次，回答的是“最近在忙什么”。

第二层是核心记忆（Core Memory），存放跨对话都稳定适用的偏好和约定，每次对话开始时无条件注入。比如用户的沟通风格偏好、团队的技术栈，还有几个绝对不能碰的红线，都属于“我不问你也应该知道的事”。