AI Memory 最近一年进展到哪了：从向量记忆到分层记忆、工作记忆和系统记忆
如果你前两年看过很多 AI memory 文章，印象里大概率还是这套叙事：
- 模型没有长期记忆
- 所以需要把历史 embedding
- 放进向量库
- 用相似检索把过去找回来
这套说法不能说错，但今天已经明显不够了。
因为这一年里，AI memory 真正往前走的地方，不是“又多了几种存储后端”，而是整个行业开始慢慢形成一个共识：
记忆不是一坨历史文本，也不是一个向量库接口。记忆是一个和任务、状态、执行、上下文管理深度绑定的系统能力。
这篇文章想讲清楚三件事：
- 过去一年 AI memory 到底进展在哪
- 为什么“向量记忆 = agent memory”这套理解越来越不够
- builder 现在该怎样看待工作记忆、长期记忆和系统记忆
先给结论：AI memory 的主线，已经从“能不能记住”转到“怎么组织、何时写入、何时读取、如何避免污染”
早期讨论 memory，主要在讲一个简单问题：
“模型会忘，所以要补记忆。”
现在这个问题还在，但难点已经变了。
因为越来越多团队发现，真正难的不是让系统“记住更多”，而是：
- 记什么
- 什么时候记
- 谁来决定值得写入
- 什么时候读回
- 读回来的东西是不是还有效
- 怎样避免旧记忆污染新任务
也就是说，AI memory 这条线过去一年最大的变化，是它开始从存储问题，变成选择和治理问题。
第一阶段的核心做法：向量记忆为什么当时足够有吸引力
先别急着否定向量记忆。它最初流行是有充分理由的。
因为它解决了两个非常现实的问题：
- 模型窗口有限，历史放不下
- 对话和任务里确实有一些过去内容值得找回来
所以“embedding + similarity retrieval”看起来很合理：
- 结构简单
- 容易接
- 可以很快 demo 出效果
- 对 FAQ、用户偏好、历史问答这种场景确实有帮助
在很多个人助手、客服、轻量 Copilot 场景里，这一步已经足够有价值。
但一旦任务变复杂，向量记忆很快暴露出局限。
向量记忆的三个核心问题，这一年大家看得越来越清楚
1. 相似不等于重要
一个历史片段和当前 query 很相似，不代表它对当前任务最重要。
比如：
- 用户提到过类似词汇，但语境完全变了
- 某次失败尝试和当前任务很像，但现在其实不该复用
- 某条历史偏好语义上接近，却已经过期
这说明“能召回”不等于“该召回”。
2. 召回不等于可执行
很多被找回来的信息，其实只是文本证据，不是 agent 可以直接拿来工作的状态。
比如历史对话里写着：
- “上次我们决定先不要走 A”
- “这个客户对语气比较敏感”
- “测试环境里这个接口会报错”
这些内容如果只是原文片段，模型每次还得重新理解、重新判断、重新解释。
这不是真正高质量的 memory，更像是把旧聊天搬回来再读一遍。
3. 记忆会过期、冲突、污染
这是最近一年越来越被重视的一点。
记忆不是越多越好，因为：
- 用户偏好会变
- 任务上下文会变
- 工作流会变
- 旧策略会失效
如果没有清理和版本意识，memory 很快从“帮助系统持续工作”变成“把过时假设反复带回来”。
所以很多团队开始意识到：memory 的问题不只是 retrieval quality，而是 lifecycle management。
最近一年最重要的进展：大家开始把 memory 分层
我觉得这条线最大的实质进展，就是从“统一历史记忆”转向“分层记忆”。
至少现在越来越多人会区分：
工作记忆（working memory）
这是当前任务短期内需要保留的状态。
比如：
- 当前目标
- 已完成步骤
- 中间结论
- 正在使用的约束
它的特点是：
- 时效短
- 高相关
- 经常更新
- 容易压缩
情景记忆 / 任务记忆（episodic memory）
这是某次任务过程里形成的经验和记录。
比如：
- 某个问题之前怎么解决
- 某次失败是因为什么
- 某条工作流在哪一步最容易出错
它的特点是：
- 和具体事件绑定
- 比工作记忆更长期
- 但不一定适用于所有新任务
系统记忆（system memory）
这是比较稳定、跨任务存在的知识或约束。
比如：
- 用户长期偏好
- 团队规范
- 产品边界
- 安全或权限规则
它的特点是：
- 更新频率低
- 结构化需求更高
- 更适合做常驻上下文或规则层
这一层分化很重要，因为它意味着大家终于不再把所有“过去的信息”当成一种东西处理。
第二个重要进展：记忆开始从“读文本”转向“读状态”
过去很多 memory 系统，读回来的基本还是文本。
现在更成熟的方向，是把一部分记忆写成状态对象，而不是原文段落。
例如：
- 当前任务已完成到第几步
- 用户偏好字段化记录
- 某个工具上次失败的原因
- 某个项目当前活跃分支
- 某个代理当前可用权限
这类状态对象的好处是：
- 更容易判断是否过期
- 更容易更新
- 更容易被 agent 消费
- 不需要每次都让模型重新读全文理解
这其实是 memory 工程成熟的一个信号：
系统不再把“记忆”理解成一堆可搜索文本，而开始把它理解成可操作状态。
第三个重要进展：memory 开始和 context engineering 合流
过去 memory 常被单独讨论，好像它只是外挂模块。
现在越来越明显，它和 context engineering 是一体的。
因为记忆最终还是要进入上下文，而进入上下文就会碰到这些问题：
- 这段记忆以什么形式呈现
- 它处在上下文哪一层
- 是原文、摘要还是结构化状态
- 什么时候刷新
- 什么时候清掉
所以很多 memory 项目的真实竞争，不再只是谁检索更快，而是谁更懂：
- 写入策略
- 压缩策略
- 调取策略
- 上下文注入策略
换句话说，memory 正在从“存储子系统”走向“上下文管理子系统”。
第四个重要进展：大家开始更认真面对记忆污染问题
这可能是最不性感，但最重要的一步。
因为只要系统开始长期记忆，就一定会遇到污染：
- 错误结论被长期保留
- 一次性偏好被误当长期偏好
- 老任务状态渗透到新任务
- 相互冲突的信息同时存在
如果没有治理机制，memory 很快就会从增强器变成噪音源。
所以最近一年越来越值得注意的方向包括：
- 记忆 TTL
- 写入阈值
- 冲突检测
- 人工审核入口
- 记忆重写与压缩
- session / task 边界隔离
这说明 memory 终于开始被当作数据治理问题来对待，而不是只当作召回问题。
对 agent 来说，memory 为什么越来越重要，但又不能无限膨胀
Agent 之所以特别需要 memory，是因为它比聊天系统更依赖连续性。
它要记住：
- 任务做到哪了
- 哪些工具已经调用过
- 哪些结果可以复用
- 哪些失败路径要避开
- 用户或系统有哪些长期约束
没有这些，agent 每一轮都像重新开工。
但反过来，agent 也最容易被 memory 拖垮，因为：
- 任务链长
- 中间结果多
- 状态更新快
- 失效信息传播快
所以这条线最近一个越来越强的共识是：
agent memory 不能只是“多存一点”，而必须是“更会删、更会压、更会分层”。
如果今天让你重新看 AI memory，这里有一个更稳的判断框架
我会建议你用下面四个问题看任何 memory 方案。
1. 它记的是文本，还是状态？
如果几乎全是文本召回，那它大概率还停在第一阶段。
2. 它区分工作记忆、任务记忆和系统记忆吗？
如果所有信息都进同一个池子，后面污染和冲突很难避免。
3. 它有写入和清理策略吗？
没有 lifecycle 的 memory，迟早会越来越脏。
4. 它怎么进入上下文？
真正的价值不在“存下来”，而在“被正确地再次使用”。
这四个问题，比问“用的是哪个向量库”更有判断力。
对 builder 来说，AI memory 现在最值得重看的不是“有没有”，而是“是不是已经和工作流绑在一起”
很多团队现在已经不缺某种 memory 组件。
他们真正缺的是：这个 memory 到底有没有进入系统主循环。
你可以用一个很简单的判断法：
1. 它会不会影响下一步动作
如果 memory 只是让模型“知道一些过去”，但不会改变：
- 任务选择
- 工具调用
- 状态推进
- 错误恢复
那它更像背景知识，不像真正的工作记忆。
2. 它会不会被持续维护
很多 memory 系统的问题不在第一次写入，而在第二十次以后。
如果系统没有：
- 清理机制
- 压缩机制
- 覆写机制
- 冲突处理
那记忆越久，污染越重。
3. 它会不会和权限、环境、任务边界一起工作
这点很容易被忽略。
真正成熟的 memory，不是全局到处可读，而是知道：
- 哪类记忆只属于某个用户
- 哪类只属于某个任务
- 哪类能跨任务复用
- 哪类必须过期
这说明 memory 不是孤立模块，而是系统治理的一部分。
4. 它会不会被人类团队理解和修正
如果一个 memory 系统只能自动写、自动取，但人类很难看懂：
- 现在记了什么
- 为什么记
- 哪条已经过期
- 哪条正在误导模型
那它很快会变成隐藏 bug 的来源。
所以今天判断 AI memory 进展，不能只看“检索效果更好了没有”，而是要看它有没有真正进入任务、状态和治理这三个层面。
最后一句：AI memory 最近一年的真正进展，是它终于从外挂能力走向系统能力
所以如果要一句话总结这一年的变化，我会说：
AI memory 的进展，不是让模型记住更多，而是让系统开始知道：哪些东西该被记、该怎样被记、该在什么时候被忘掉。
这就是为什么今天再谈 memory，已经不能只停留在 embedding 和 retrieval。
更值得跟的，是这些方向：
- 分层记忆
- 状态化记忆
- 写入策略
- 清理与压缩
- 和记忆注入相关的 context engineering
谁在这些层面做得更成熟，谁才更接近真正可用的长期 memory 系统。