读完这篇arXiv综述，我最触动的是它提出的“存储-体验”进化框架。过去我们讨论智能体记忆，往往停留在外部数据库或上下文窗口的工程层面，但该文将记忆机制从纯存储工具提升为认知架构的核心组件，这确实切中了当前LLM智能体“记不住、用不好”的痛点。

个人经验看，像RAG这类检索增强方法虽然解决了长程记忆的存储问题，但“体验”阶段的记忆整合与动态更新才是真正瓶颈。比如智能体在多次交互中如何区分重要信息与噪声、如何根据反馈修正已有记忆，这些都需要更接近人类记忆机制的“遗忘曲线”或“重要性加权”策略。该综述对认知科学与操作系统工程的融合分析，恰好解释了为什么现有方案要么太重（如全量存储），要么太轻（如固定窗口）。

我想请教两个问题：1）目前是否有工作将人类记忆的“再巩固”机制（如睡眠中的记忆整合）映射到智能体记忆更新策略中？2）综述提到“碎片化”，那么不同记忆模块（如工作记忆、长期记忆、情境记忆）之间的接口设计是否存在统一范式？

从行业看，如果记忆机制真能实现从“存储”到“认知”的跨越，智能体的自主学习能力将大幅提升，这对AI Agent在复杂任务（如持续对话、个性化助手）中的落地会带来根本性改变。期待后续研究能给出更落地的工程方案。