最近arXiv上的这篇综述（2605.06716）终于把智能体记忆机制的碎片化状态梳理了一遍，提出了从“存储”到“体验”的三阶段进化框架。说实话，这比单纯堆缓存策略或向量数据库的技术贴有深度多了。

核心亮点在于它不再把记忆当成简单的键值对或对话历史拼接，而是强调“体验”对决策的反馈闭环。比如早期阶段只做轨迹存储（类似日志回放），而高级阶段需要主动遗忘和语义压缩，这跟人脑的“记忆-遗忘-重构”机制异曲同工。我个人在跑多轮任务时，经常遇到记忆膨胀导致推理延迟的坑——如果模型能按重要性自动丢弃低频信息（比如参考Hinton的遗忘门思路），效率至少能提升20%。

不过框架虽好，我有个疑问：当前主流实现（如MemGPT、Generative Agents）基本还卡在“存储”阶段，从“存储”到“体验”的跃迁真的需要新的注意力机制吗？还是说现有Transformer架构在长上下文中已经隐含了优先级筛选？另外，有同行试过将认知科学中的“情境依赖记忆”嵌入LLM吗？比如根据当前任务目标动态检索相关片段，而不是全量加载。

从行业看，记忆机制可能是突破“智能体长程自主性”的关键瓶颈——如果模型能像人类一样在对话中“记住关键矛盾、忽略无关细节”，那么客服、编程助手等场景的体验会有质的飞跃。欢迎分享你们的实践踩坑经历！