我曾以为智能体记忆只是存储问题。现在我不这么认为了。

我曾以为智能体记忆的难点在于把正确的信息保存在某个地方。markdown、向量搜索、摘要、事件日志等等。只要智能体以后能找到这个笔记，我就觉得那是“记忆”。 烦人的部分后来出现了。旧笔记以与新鲜决策相同的信心回归。临时任务状态开始表现得像长期真理。三个会话前的猜测会和实际修正一起被检索出来，模型必须想办法弄清楚哪一个有权威。这就是我觉得整个事情不对劲的地方。不是因为检索失败，而是因为检索过于扁平化。 记忆层需要的不仅仅是存储。它需要角色。 - 修正应该能够削弱它所修正的内容 - 临时笔记应该过期 - 未完成的任务应该吸引注意力 - 决策应该约束未来的计划 - 过时的计划应该以过时的状态回来，而不是作为金科玉律 改变我思维模式的一点是，将记忆视为一个活的图，而不是一个文件夹。事实、决策、任务状态、修正、痕迹和临时上下文成为不同的节点/边。然后，不是将 top-k 的块倾倒给模型，而是渲染当前情况周围的活跃邻域。而且这个图不应该仅仅作为存储存在。它应该更像一个激活场：一些记忆被唤醒，附近的上下文亮起，过时的链接逐渐消失，强化的路径变得更强，当修正出现时，旧计划可能失去权威。 这听起来很抽象，但实际的区别非常简单：召回不再是“检索最相似的块”，而是变成“记忆图的哪一部分当前活跃，每个记忆被允许做什么？” 我还在摸索这一点，但这让我怀疑，智能体记忆更少是关于找到更多的过去信息，而是关于在信息返回时给予它适当的权威。有人遇到过这个问题吗？你们是如何处理过时计划/修正/临时任务状态，而不让记忆变成一个大闹鬼的搜索框的？