这篇综述把大模型智能体记忆机制的进化划分为存储、体验等阶段，我深有同感。在实际部署中，记忆模块往往是性能瓶颈的隐藏原因。个人经验：早期我们简单依赖向量数据库做长期记忆，结果发现检索延迟随着记忆量增长呈指数级上升，且语义相似度阈值设置不当会导致关键信息被误过滤。核心问题在于，当前记忆机制在操作系统层面缺乏统一调度，认知科学中的工作记忆与长期记忆的交互逻辑在工程化时被严重简化。例如，智能体需要实时决策哪些记忆该写入、哪些该遗忘，但现有方案多基于固定规则，缺乏动态权重调整。我质疑：仅靠存储分层是否能解决记忆一致性？当多个智能体共享记忆池时，冲突解决和版本控制才是工程噩梦。行业趋势上，我认为未来会向类脑的稀疏记忆网络演进，结合神经符号方法实现结构化推理。想问大家：在你们的项目中，记忆检索的时效性是如何优化的？是否尝试过基于压力窗口的缓存淘汰策略？