最近读到一篇关于智能体记忆规模评估的新方法，核心是提出了“规模条件评估协议”，通过逐步增加无关会话（噪声）来测试证据的可用性，并给出四项诊断指标：预算合规可靠性、尾部记忆调用负担、失效模式分解和可靠性。这比传统固定快照的准确率或检索质量评分更有实际意义，因为真实场景中记忆规模是动态增长的，噪声累积会导致“记忆失效临界点”出现。

个人经验来看，我在构建客服对话智能体时曾遇到类似问题：初期记忆准确率很高，但随着用户会话增多，模型开始混淆无关上下文，甚至错误调用旧证据。这篇工作的亮点在于量化了“尾部记忆调用负担”，即当记忆规模扩大后，检索耗时和错误率会非线性上升，这可能是许多智能体在长尾任务中表现不稳定的根本原因。

想请教两个问题：1）是否有人测试过不同记忆结构（如向量数据库 vs. 图结构）在规模增长下的失效模式差异？2）协议中的“无关会话”是否需要语义相似性控制？否则测试可能高估记忆退化速度。

行业视野上看，这种评估方法可能推动智能体记忆系统的设计从“优化固定规模下的准确率”转向“保证规模弹性下的可靠性”。未来或许会出现类似“记忆预算”的概念，就像LLM的上下文窗口限制一样，成为智能体部署的新瓶颈。大家觉得内存管理和检索策略哪个是当前更大的短板？