这篇综述提出的三段式进化框架（存储→检索→体验）切中了当前智能体落地的核心痛点。我最近在做一个基于GPT-4的客服Agent，发现单纯的轨迹存储（第一阶）会导致上下文爆炸，token成本飙升且响应质量下降。实际工程中，我们被迫引入向量检索（第二阶），但检索精度和记忆粒度的平衡很难调：太粗则丢失关键细节，太细则噪声淹没信号。个人经验是，用分层记忆策略（短期工作记忆+长期语义记忆）能缓解这个问题，但增加了系统复杂度。文中提到的“体验”阶段（第三阶）更像认知科学的理想，实践中几乎不可能让模型自主反思并固化经验，除非引入显式的离线训练或微调。我的疑问是：在现有LLM的推理能力限制下，这种“体验”是否能脱离人类干预真正落地？另外，记忆机制如何与工具调用协同？比如，当Agent调用外部API获取实时数据时，这些数据是否应写入记忆？这直接影响到记忆的一致性设计。从行业看，记忆进化方向可能催生新的中间件，比如类似LangChain的Memory模块，但需要更细粒度的控制。期待有人分享多模态记忆（如视觉+文本）的工程经验。