持久记忆

原生主动记忆一般指模型在架构或训练阶段就内置对长期信息的写入、遗忘和优先级管理机制，而非完全依赖外部检索。

记忆检索应叠加时间衰减、重要性加权和混合检索，而非仅依靠向量相似度

持久化记忆通常分为短期工作记忆、情节记忆和语义记忆三个层次

Memos MCP的长期记忆实现原理与OpenAI在ChatGPT中推出的Memory功能相近，但MCP方案的优势在于用户对数据拥有完全控制权

多智能体协作的实际效果、持久记忆的准确率、主动智能的误触发频率，这些都需要真实场景来检验。

与单用户场景不同，团队共享记忆面临三个额外难题：记忆的归属与可见性、记忆的时效性、记忆冲突。

持久记忆在智能体系统中通常指跨 episode 或跨任务保留的结构化信息存储，区别于仅在单次推理中使用的上下文窗口。

持久记忆是区分传统聊天机器人与个人代理的关键能力。

长周期智能体的竞争力越来越取决于记忆架构与执行框架的工程质量，而不仅是底层模型的强弱。

长周期金融工作的关键瓶颈不在单次推理能力，而在记忆的连续性。

对于任务周期短、流程标准化的场景，投入持久记忆和定制harness未必划算。

长期记忆涉及隐私与数据存储期限的合规问题，是产品设计中无法回避的约束。

微调（fine-tuning）和持久记忆（persistent memory）解决不同问题：微调通过训练样本改变模型行为，持久记忆让应用外部存储信息并在需要时检索。

微调不适合充当记忆，因为每次新增用户数据都重新训练成本极高，且微调后的模型难以精确删除某条信息，也难以保证按用户隔离。

持久记忆把信息存在模型之外（数据库、文件、向量索引），推理时按需检索并拼进上下文，模型权重不变，好处是信息可增删改查、可审计、可跨用户隔离，且更新无需重新训练。

记忆管理意味着决定agent要携带什么向前、携带多久、以及丢弃什么；工作记忆保存当前任务并在任务结束时丢弃，持久记忆保存耐久事实并有选择地检索。

研究提示，需要区分'需要长期记忆'的任务（如客服、项目管理）和'需要定期遗忘'的任务（如开放式搜索、创意生成），并为后者设计状态丢弃与检查点重启机制。

在传统软件工程中，保留完整历史通常被视为良好实践，但在开放式发现场景中，完整历史反而成为负担，导致智能体搜索行为趋同、探索空间被压缩。

当前主流的LLM智能体框架大多强调持久记忆和上下文累积，将历史长度视为能力的标志。

当前AI编程代理（AI Coding Agents）每次会话都从零开始，无法记住此前的代码决策、项目约定和用户偏好。