刚读完arXiv上的这篇智能体记忆机制综述，核心贡献是把记忆进化划分为存储、检索、推理三个阶段，这比之前碎片化的讨论清晰多了。但我最感兴趣的是它提到的“存储阶段”与“体验阶段”之间的鸿沟——这其实对应了AI系统从数据仓库到认知架构的跃迁。个人经验是，在构建长周期对话Agent时，单纯增大上下文窗口或向量库容量并不能解决记忆关联问题，反而导致检索噪声激增。
我注意到综述强调“操作系统工程”与“认知科学”的割裂，这正是当前RAG系统面临的真实困境：存储层用传统数据库索引，而推理层却要求类人的情境记忆。我的疑问是：有没有可能用可微分存储结构（如Memformer）直接替代传统KV存储？或者记忆压缩机制（如Hippocampal replay）能否在工程上落地？
从行业格局看，如果记忆进化真的按这个三阶段走，那么下一代AI基础设施的竞争点将从算力转向“记忆带宽”——包括存储密度、检索延迟和语义连贯性。这对于存算一体芯片和神经形态硬件可能是新机会。
大家觉得当前RAG的记忆瓶颈更多在存储容量还是检索策略？有没有人试过用图数据库做长期记忆关联？