这篇综述将大模型智能体记忆机制划分为存储、体验和进化三个阶段，看似清晰，但落地时坑不少。从一线工程师角度看，存储阶段（轨迹记录）最容易实现，却最容易被忽视——我们曾用Redis存对话历史，结果上下文窗口膨胀导致推理延迟飙升30%。核心突破在于将记忆从纯存储转向结构化索引（如向量数据库+时间戳排序），但实测发现，单纯依赖检索准确率不足75%，必须结合注意力加权。
个人经验：在智能体客服场景中，短期记忆（最近3轮对话）和长期记忆（用户画像+历史行为）的融合是难点，我们尝试了分层缓存机制，但跨会话记忆的冲突解决仍靠规则兜底。
讨论问题：1）当记忆规模超过10万条时，如何平衡检索速度与精度？2）综述中提到的认知科学视角（如遗忘曲线）是否能在工程上量化实现？
行业视野：记忆机制正从存储工具演变为智能体认知核心，未来可能催生类似操作系统的记忆调度层。但若记忆碎片化不解决，智能体永远只是高级聊天机器人。