Agent记忆系统
Agent记忆系统是为智能体构建的分层记忆架构，包含短期记忆（会话内）和长期记忆（跨会话），通过动态注入机制将相关记忆注入上下文，解决大模型无持久记忆的问题
核心事实
时间轴 (近 90 天)
SAFE-Mem为Agent记忆引入细粒度治理：每条“主张”附带来源、权威性和作用域标签，检索时先核对该主张的权限是否符合查询要求再决定是否使用；测试中该机制对最强防御基线至少降低77%的攻击成功率，同时保持所有评估防御中最高的答案准确率。
arXiv论文《Beyond Downstream QA》提出的FEB-30基准采用反转范式构建确定性真值，测试显示一个代表性记忆系统对记忆操作（创建、更新、强化、取代）的正确分类率只有20%。
最基础的记忆系统可以非常轻量：一个本地文件记录用户偏好，一个简单的检索逻辑召回历史摘要，就能显著改善体验。
Agent记忆系统更合理的做法往往是混合架构：结构化元数据存关系库，语义内容用向量索引辅助检索，再通过规则过滤决定信息回流
Agent的记忆系统本质上是一个数据建模问题，而不是一个Prompt工程问题
忽视冲突消解和提取粒度优化而直接追求「智能记忆」，往往会在实际使用中积累大量错误事实，反而降低Agent的可靠性。
相关性检索与时效性管理是两套需要叠加设计的机制，多数现有Agent记忆实现只做了前者
大多数Agent记忆系统缺乏时间感知和版本意识，往往以近似平等的权重存储所有历史信息
向量数据库是当前Agent记忆系统最常见的底层存储形式
生产级Agent中记忆存取往往结合Embedding检索与关键词过滤双重机制，以兼顾语义覆盖率与精确性
还有 3 条时间轴事件
全部知识事实 (14)
Agent的记忆机制通常分为短期记忆和长期记忆两大类，长期记忆需借助向量数据库、关系型数据库、图数据库等外部持久化存储
80%已验证Agent的记忆系统通常分为三个层次：工作记忆（当前对话上下文窗口）、短期记忆（近期交互历史）和长期记忆（通过向量数据库持久化存储）
80%待验证大模型自身没有真正意义上的持久记忆能力，记忆是开发者为智能体构建的一套系统工程
60%待验证解决记忆时效性问题需要额外构建版本管理、时间戳排序和主动的记忆失效机制
60%待验证SAFE-Mem为Agent记忆引入细粒度治理：每条“主张”附带来源、权威性和作用域标签，检索时先核对该主张的权限是否符合查询要求再决定是否使用；测试中该机制对最强防御基线至少降低77%的攻击成功率，同时保持所有评估防御中最高的答案准确率。
50%待验证arXiv论文《Beyond Downstream QA》提出的FEB-30基准采用反转范式构建确定性真值，测试显示一个代表性记忆系统对记忆操作（创建、更新、强化、取代）的正确分类率只有20%。
50%待验证最基础的记忆系统可以非常轻量：一个本地文件记录用户偏好，一个简单的检索逻辑召回历史摘要，就能显著改善体验。
50%待验证Agent记忆系统更合理的做法往往是混合架构：结构化元数据存关系库，语义内容用向量索引辅助检索，再通过规则过滤决定信息回流
50%待验证Agent的记忆系统本质上是一个数据建模问题，而不是一个Prompt工程问题
50%待验证忽视冲突消解和提取粒度优化而直接追求「智能记忆」，往往会在实际使用中积累大量错误事实，反而降低Agent的可靠性。
50%待验证大多数Agent记忆系统缺乏时间感知和版本意识，往往以近似平等的权重存储所有历史信息
50%待验证相关性检索与时效性管理是两套需要叠加设计的机制，多数现有Agent记忆实现只做了前者
50%待验证向量数据库是当前Agent记忆系统最常见的底层存储形式
50%待验证生产级Agent中记忆存取往往结合Embedding检索与关键词过滤双重机制，以兼顾语义覆盖率与精确性
50%