智能体记忆系统的解剖学：从认知科学到工程实现
AI 智能体的记忆系统是 2025–2026 年最热门且最混乱的工程领域之一。几乎所有记忆库都用着同样的词汇——“情景记忆”、“语义记忆”、“程序性记忆”——但这些术语背后的工程实现可能大相径庭。
一篇题为 Agent Memory: An Anatomy 的技术文章给出了迄今最清晰的框架。作者将智能体记忆系统拆解为三个核心组件：提取器（Extractor）、存储器（Store）和检索器（Retriever），并用认知科学的分类法逐一检验了主流实现。
提取器的核心设计问题是时机：在每条消息后立即提取（eager），会为无意义的闲聊消耗大量 token；在会话结束时懒提取（lazy），又会丢失消解指代所需的上下文。无论选择哪种，都有信息被丢弃——时间锚点（“昨天”、“下周”）、指代关系（“他”是谁）、本地语境，是最常见的牺牲品。
存储器面临的难题不是存什么，而是矛盾怎么处理：用户三月份说住在巴黎，五月份说搬到了阿姆斯特丹。是该覆盖、追加、还是旧标记为已过期？能回答“上个月我相信什么”的存储系统才是真正的记忆系统，否则只是带时间戳的快照。
检索器本质上是一个针对用户积累陈述的 RAG 系统：向量相似度是基线，关键词搜索是常用增强，重排序是标准第三层。一些高级实现还加入了时间过滤（不返回已知过期的陈述）和预设检查（检测问题本身是否基于一个已过时的事实）。
文章还尖锐地指出了一个行业现状：大多数所谓的“程序性记忆”（procedural memory）只是语义记忆的标签重命名——Mem0 的 metadata.memory_type = "procedural" 与语义路径的唯一区别是一个元数据字段。而前瞻性记忆（prospective memory——记住未来要做的事）在所有生产级库中几乎完全缺席。
Anthropic 的 Dreams 和 Letta 的 sleep-time compute 代表了离线整合（consolidation）的前沿方向——在会话之间重访积累的记忆材料，去重、解决矛盾、发现跨会话的模式。这是当前最值得关注的方向之一。
对于正在构建或选用智能体记忆系统的团队，这篇文章提供的分析框架比任何单一产品的文档都更有价值。