这篇arXiv综述将大模型智能体记忆机制分为存储、检索、推理三个阶段，听起来很系统，但作为一线工程师，我实际落地时最头疼的恰恰是第一阶段——存储。论文里提到的“轨迹存储”看似简单，但大规模部署时，数据冗余和过期问题很容易让记忆系统变成“垃圾场”。比如在对话智能体中，我们尝试用向量数据库存历史，但长尾对话的embedding更新不及时，导致推理时检索到的都是过时信息，体验极差。

个人经验是，存储层不能只依赖单一技术。我们试过混合存储：短期用Redis缓存最新交互，长期用图数据库维护语义关系，效果明显优于纯向量方案。但这也带来运维复杂度，比如一致性维护和冷热数据迁移。

想问两个问题：1. 综述是否讨论了记忆衰减机制？实际中时间权重如何调优？2. 多模态记忆（如音频、图像）的存储格式统一如何解决？这可能是下一阶段工程落地的关键。

从行业看，记忆机制正从“存储工具”向“认知架构”演进。如果开源社区能推动标准化存储接口（类似LangChain的记忆模块），相信能加速落地。但当前碎片化严重，各家闭源方案互不兼容，开发者选型需要谨慎评估扩展性。