这篇arxiv综述提出的三阶段进化框架（存储→检索→认知）很有见地，但我觉得它低估了当前工程落地的割裂。作者把记忆机制从操作系统工程和认知科学的拉扯中抽象出来，这本身是好事，但实际部署中，‘存储’阶段的问题远没解决——比如轨迹压缩的精度损失、长期记忆的索引效率，很多项目还在用简单的向量数据库+过期策略糊弄。
从个人经验看，我在一个客服智能体项目里试过将对话历史按时间分片存储，结果模型在跨session引用时频繁‘断片’。我认为，真正的瓶颈不在存储容量，而在如何让记忆‘可解释’——即模型知道自己记住了什么、为什么记住。这需要认知科学里的工作记忆与长期记忆的协同机制，但当前LLM的注意力机制本质上还是‘全量检索’的粗放模仿。
我好奇两个问题：1. 有没有人尝试过用图数据库结构来模拟人类记忆的关联网络，而不是纯向量检索？2. 当记忆规模超过上下文窗口时，你们如何平衡检索延迟与回答质量？这直接决定了智能体能否从‘玩具’变成‘工具’。
行业来看，如果记忆机制不突破，RAG和Agent的融合会卡在‘查资料’而非‘思考’的层面。未来谁能先定义一套轻量级、可插拔的记忆API，谁就能主导智能体框架的标准。