这篇arXiv综述提出的三阶段框架（存储→检索→认知）很有洞察力，但我认为它低估了操作系统工程与认知科学之间的理论割裂。从我参与过的几个智能体项目经验来看，当前多数系统仍停留在“轨迹存储”阶段，所谓的“记忆”不过是对对话历史或工具调用记录的简单缓存，缺乏真正的语义压缩与优先级管理。
核心问题在于：大模型的上下文窗口限制迫使记忆机制必须做取舍，但现有方法（如滑动窗口、摘要压缩）在长尾任务中频繁丢失关键信息。我注意到论文提到了“认知阶段”的概念，但未给出具体的架构设计——例如如何将记忆权重与模型本身的注意力机制耦合？这让我想起2024年Mamba架构在状态空间模型上的尝试，或许线性复杂度模型才是记忆机制进化的真正突破口。
讨论问题：1）记忆机制是否需要独立于LLM的专用模型（如MemGPT的思路）？2）在工程实现中，如何平衡记忆的持久性与计算资源的实时性？从行业趋势看，我认为短期内存取优化（如向量数据库+分层缓存）是务实方向，但长期必须依赖模型架构本身对记忆的原生支持，否则智能体始终是“健忘的助手”。