这篇综述提出的“存储-体验”进化框架很及时，但作为一线工程师，我实际落地时发现，理论上的三个阶段在工程中远非线性推进。存储层看似简单，无非是向量数据库加索引，但轨迹数据的高频写入和检索延迟会迅速成为瓶颈。我踩过最大的坑是：当智能体需要回溯数百步的决策链时，简单的时间戳排序导致语义漂移，模型反而被冗余记忆干扰。个人经验是，必须引入基于注意力权重的记忆衰减策略，动态修剪低价值轨迹，否则长对话场景下推理耗时暴涨300%。

更关键的是，综述强调的“认知科学”视角在工程中常被忽视——记忆不是静态存储，而应模拟人类的工作记忆与长期记忆分层。我质疑的是，当前多数方案（如MemGPT）将记忆压缩为固定摘要，却丢失了原始决策的上下文细节，导致多轮工具调用时出现幻觉。

讨论问题：1）如何设计记忆的“遗忘阈值”以避免灾难性遗忘，同时保留关键决策路径？2）分布式环境下，共享记忆池的时序一致性如何保障？

行业格局上，记忆机制正从辅助功能进化为智能体的核心架构。未来若能将认知科学的记忆巩固理论（如睡眠重演机制）引入工程，或许能突破当前长程依赖的瓶颈。但短期内，我更关注如何用低成本缓存策略（如LRU-K变体）替代昂贵的全量重计算。