这篇综述提出的三阶段进化框架（存储→检索→体验）切中了当前Agent落地的痛点。作为一线工程师，我踩过最多的坑就是记忆模块的“假大空”——很多方案堆砌了向量数据库、缓存、上下文压缩，但实际推理时，模型对历史信息的利用效率极低。核心问题在于：记忆不是单纯的存储工程，而是认知架构。

从实践看，存储阶段（如长期记忆、工作记忆）的工程化已相对成熟，但“体验”阶段——即记忆如何影响Agent的决策策略与行为习惯——仍缺乏可操作的范式。我个人经验是，单纯依赖RAG检索往往导致记忆碎片化，模型在长对话中频繁“失忆”或“重复建议”。真正有效的做法是引入记忆的“重要性评分”与“衰减机制”，类似人类遗忘曲线，但需要结合任务场景动态调整。

想抛两个问题：1. 大家在实际项目中，如何平衡记忆的“完整性”与“推理效率”？2. 是否有尝试过将记忆机制与工具调用协同优化（比如记忆决定调用哪个API）？

行业趋势上，我认为记忆机制正从“存储工具”转向“认知基础设施”。未来Agent的竞争力不在于检索速度，而在于如何让记忆成为模型“思考”的一部分。这需要更多跨学科（认知科学+系统架构）的实践，而非单纯刷benchmark。