我们不断在更笨的记忆层之上部署更智能的AI代理，却奇怪为什么生产环境总是出问题。
摘要
本文批评AI行业专注于改进推理层，却忽视了内存管理和基础设施，导致生产环境频频失败。
更好的模型。更好的提示词。更好的检索。没有人会问，当记忆变得错误时会发生什么。没有人会部署这样的逻辑：在存储之前决定一个新事实是否取代旧事实。于是，代理从三个月前就已经悄悄腐烂的上下文里推理，变得越来越聪明。这不是AI的问题。这是一个基础设施问题，我们一直忽视它，因为演示看起来很干净。行业何时才能停止优化推理层，转而修复其下的基础？
相似文章
我们是否都在悄悄重建记忆系统，因为当前AI的长期记忆实际上并不奏效？
文章讨论了当前AI记忆方案在生产中常见的失败情况，如事实陈旧、摘要漂移和供应商锁定，指出真正的瓶颈在于记忆治理而非检索。
三个在演示中不会出现的生产AI记忆故障：
本文强调了生产AI记忆系统中的三种常见失败模式：过时的偏好持续存在、讽刺性评论被当作字面偏好存储、以及摘要比其来源事实更持久。文章认为AI记忆行业缺乏出处、置信度评分和版本控制，造成了妨碍调试的黑箱问题。
没人警告你，AI记忆存在六个月的悬崖期。我们过于专注于扩大记忆容量，却忘了让它变得可维护。真有人在解决这个问题，还是只是在增加存储空间然后寄希望于此？
这篇文章强调了AI记忆在六个月后变得不可靠的问题，出现矛盾和信息摘要漂移，并质疑业界是否专注于增加存储容量而非提升可维护性。
AI代理没有智能问题，它们有状态管理问题
文章认为，AI代理在生产中的大多数故障是由于不稳定的运行状态和内存退化造成的，而非模型能力不足，并强调需要更好的基础设施来支持状态管理、可观测性和自适应可靠性。
AI 智能体运行时间越长，你花费在管理其记忆上的时间就越超过实际使用它的时间。
本文重点讨论了随时间推移管理 AI 智能体记忆时日益严重的问题：用户花费更多精力维护上下文，而非实际使用智能体。文章指出，目前缺乏用于记忆衰减和治理的基础设施。