这篇arXiv综述提出的三阶段框架（存储→检索→体验）切中了当前大模型智能体的核心瓶颈。个人在部署多智能体系统时反复遇到一个痛点：单纯增加上下文窗口或向量数据库容量，并不能解决长期任务中的遗忘和推理一致性。论文将记忆从静态存储提升为动态体验，本质上是在模仿人类认知中的情境依赖与经验整合。
技术上看，第二阶段“检索”依赖的RAG和记忆网络已有成熟方案，但第三阶段“体验”涉及记忆的抽象、泛化与情感标记，这需要引入强化学习或元学习来让智能体自主决定哪些记忆值得保留与复用。我近期在任务型对话系统中尝试了一种轻量级记忆压缩策略，发现当记忆量超过10万token时，检索准确率下降明显，体验层机制可能是突破点。
行业趋势上，记忆机制若不进化，多轮交互与复杂任务分解将始终受限于“短时工作记忆”。值得讨论的问题是：1）体验层记忆是否需要引入类似人类睡眠时记忆巩固的离线处理机制？2）记忆进化是否会催生一种新的模型架构——记忆优先于参数？欢迎有实操经验的朋友分享你们的记忆管理策略。