【导读】随着ChatGPT等产品把“记忆”带入真实用户场景，AI Agents的记忆系统不再只是RAG外挂，而逐渐演变为贯穿存储、推理与自我改进的基础设施。一项来自斯坦福、复旦、牛津等团队的研究提出“形式（Forms）-功能（Functions）-动态（Dynamics）”三维框架，为长期混乱的记忆概念给出统一坐标系。与此同时，OpenAI、Google、亚马逊及Mem0、Letta、Zep等开源/产品化方案的路径差异，也让“怎么选、怎么做、怎么控风险”成为工程核心议题。
一、从“短期/长期”到三维坐标：AI记忆概念开始收敛
过去谈智能体记忆，行业常直接套用心理学里的“短期记忆/长期记忆”。这套说法直观，但在工程上边界极不稳定：一小时的缓存算短期还是长期？向量数据库里长期沉淀的用户画像又该归哪类？当不同团队把聊天历史、用户偏好、工具调用轨迹、知识图谱、策略经验都称作“memory”时，技术沟通与选型很容易变成各说各话。
新的三维框架试图绕开“以时间长度划分”的歧义，改用三个彼此正交的维度来刻画一个记忆系统的全貌：
- 形式（Forms）：记忆“以什么载体存在”，是Token级、参数级，还是潜空间（latent space）。
- 功能（Functions）：记忆“在认知与决策中扮演什么角色”，是事实记忆、经验记忆，还是工作记忆。
- 动态（Dynamics）：记忆“如何形成、演化与被检索”，以及如何遗忘、如何更新、如何防止污染。
这套框架的意义在于：它把“记忆工程”从一个泛化词汇，变成可拆解的系统设计问题——你可以分别回答“存在哪里、为何要存、如何生命周期管理”，进而对齐架构与成本、性能、可解释性、安全合规之间的权衡。
二、形式维度（Forms）：Token级、参数级、潜空间记忆的工程取舍
1）Token级记忆：透明、可编辑，但对检索与治理要求高
Token级记忆可以理解为“可读可改、可寻址的外部化存储”：聊天历史、用户画像、结构化表、知识图谱、文档片段等，都以显式Token形式存在于外部系统（数据库、对象存储、向量数据库、图数据库）中。
它的核心优势是透明与可控：
- 可审计：能追溯“模型为什么知道/说了这个”。
- 可更新：事实变更时可直接改数据，不必重训模型。
- 可治理：更容易做权限、脱敏、保留策略与删除请求响应。
但Token级记忆的工程痛点也很集中：检索质量决定上限，规模一大还会带来索引、延迟、召回与成本压力。因此，行业开始从“只做向量相似度”扩展到更强的组织方式：
- Letta（原MemGPT）将记忆管理做成类似操作系统的“虚拟内存分页”：区分必须常驻上下文的Core Memory与按需调用的Recall Storage，用“分页/置换”思路缓解上下文窗口限制。
- Zep 的 Graphiti以知识图谱组织记忆，通过实体关系显式建模来提升精准检索与多跳查询能力，试图对抗“向量相似度不够用”的问题。
- 一些工程实践将聊天历史、用户画像、知识图谱等拆分成多种拓扑结构（流式、层次、图结构），本质上都是Token级记忆在不同数据组织形态下的实现选择。
2）参数级记忆：知识“学进权重”，性能强但更新慢且有遗忘风险
参数级记忆指把信息通过训练、微调或持续学习直接编码进模型权重。优点是推理时不必频繁访问外部记忆库，响应更“本能化”，对延迟敏感的场景很有吸引力。
典型路径包括：
- Google DeepMind 的 ReMem：用强化学习优化记忆保留策略，将历史经验蒸馏进模型权重，实现跨任务迁移能力的提升。
- 企业场景中常见“参数级 + Token级”的混合架构：把相对稳定、可泛化的能力（风格、流程、写作规范、领域表述）通过微调固化；把高频变化的事实与资料仍放在外部知识库里，减少“训一次就过时”的问题。
- 对“外部参数记忆”的工程实现，常会涉及 LoRA 适配器等方式，以较低代价为同一基座模型挂载不同专项能力。
代价同样明确：
- 灾难性遗忘：新知识可能覆盖旧知识，需要增量学习、经验回放等机制对冲。
- 可解释性下降：知识“在哪儿”变得难以审计。
- 更新慢：对频繁变化的企业事实数据并不友好。
3）潜空间记忆：高密度、低延迟，指向多模态与端侧
潜空间记忆把信息编码到模型隐藏状态、KV缓存或统一的潜在表示空间里，通常人类不可读，但机器处理效率高。它更贴近多模态系统的工作方式，也更适配边缘侧对低延迟与高吞吐的需求。
在多模态方向，MIRIX（Modular Multimodal Architecture）这类架构将文本、图像、视频、音频等编码到统一潜在空间，覆盖生成、重用、转换等子类型：
- 生成型：从潜空间重建多模态内容；
- 重用型：缓存中间表示以加速推理；
- 转换型：跨模态融合与压缩。
一些“显性Token + 隐性潜空间”的混合方案也开始出现：例如 A-MEM用 Zettelkasten 思路构建笔记网络，笔记本身是Token可读的，但笔记间关联可通过神经网络学习并沉淀为潜空间权重，从而形成“显性知识 + 隐性关联”的混合记忆。
三、功能维度（Functions）：事实、经验、工作记忆，决定系统该“为什么存”
从工程视角看，“存什么”往往不如“为什么存”更关键。功能维度把记忆的目的拆成三类：
- 事实记忆（Factual Memory）：维持一致性与长期知识——“智能体知道什么”。典型是产品信息、用户资料、制度条款、知识库条目。
- 经验记忆（Experiential Memory）：用于自我改进与策略积累——“智能体学会什么”。典型是执行轨迹、成功/失败案例、策略总结、技能单元沉淀。
- 工作记忆（Working Memory）：服务当前任务的临时状态——“智能体正在想什么”。典型是会话上下文、当前计划、分步推理中间产物、工具调用状态。
这种划分的价值在于，它能直接指导架构：
- 事实记忆通常需要强治理（权限、审计、版本），适合Token级外部存储 + RAG/混合检索；
- 经验记忆既可以外部化（便于回放与分析），也可以部分参数内化（形成“能力”）；
- 工作记忆强调实时性和上下文编排，往往与上下文工程、会话管理、工具编排强绑定。
业界的代表性实践之一是亚马逊在 Agentic AI 基础设施中体现的功能导向：用 Amazon Bedrock Knowledge Base承载事实记忆，用执行轨迹数据库承载经验记忆，用会话上下文承载工作记忆，并形成“检索-增强-处理-提取-更新”的闭环，把记忆作为可运营的系统来管理，而非一次性的RAG调用。
四、动态维度（Dynamics）：记忆的形成、演化、检索与遗忘，正在替代“只做检索”
真正把记忆系统从“外接知识库”升级为“类操作系统”的，是动态维度：它把记忆当成持续生长、持续代谢的对象，强调形成与演化，甚至强调“遗忘”的必要性。
1）形成（Formation）：从对话与行为中把信息“变成可用记忆”
常见路径可归纳为五类：
- 语义摘要：每轮对话后做摘要，降低上下文噪声，避免窗口被无效信息占满；
- 知识蒸馏：从大量轨迹中提炼规律；
- 结构化构建：把信息显式组织成表、图、层次结构；
- 潜空间表征：压缩为隐藏表示以提速；
- 参数内化：通过训练把规律固化进权重。
这里的关键趋势是：形成阶段越来越自动化，不再靠人工标注或手工规则“挑选哪些值得记”。
2）演化（Evolution）：整合、更新与遗忘，避免记忆库失控
“会记不会忘”的系统很快会变成噪声堆积场。遗忘机制因此成为分水岭：
- 一类思路是基于访问频率、时间衰减、重要性等信号做分层存储与降级淘汰。
- MemoryScope采用四层仿生架构，并通过“巩固”机制让高频使用的信息上升到长期记忆，低价值信息逐步降级直至遗忘。
- Letta也有相对直接的归档策略，但更精细的方向是把时间、频率、重要性做联合决策，避免“重要但低频”的信息被误删。
3）检索（Retrieval）：不再等同于向量搜索
动态维度对检索的最大改变，是强调“检索策略”与“查询构建（query construction）”。在多轮对话或复杂任务中，直接用用户原始问题去向量库检索往往不稳定，越来越多系统会先让LLM生成结构化的检索意图（关键词、时间范围、实体、约束条件），再进行检索。
在检索方法上，也从单一向量相似度走向组合：
- Mem0代表轻量的向量检索，适合快速落地；
- Zep/Graphiti用知识图谱提升关系推理与多跳查询；
- Cognee把向量、图谱、全文检索组合成混合检索，更适合“复杂条件 + 推理”的企业检索需求。
整体趋势可以概括为：记忆系统开始从“检索式记忆”迈向“生成式记忆”——不仅把相关片段找出来，还要能在形成与演化阶段自动抽象、整合与重写记忆，使其更贴近任务需要。
结语：技术背后的管理思考
当AI记忆系统从“RAG外挂”变成贯穿Forms/Functions/Dynamics的基础设施，它对企业的影响就不止是“回答更准”，而是更深层的组织能力重构：第一，知识管理会从静态文档库升级为“可演化的组织记忆”，事实、经验、流程会被持续沉淀，并通过检索-更新闭环保持新鲜度；第二，工作方式会更强调“可追溯的协作链路”，尤其是Token级记忆带来的透明、可审计特性，会成为合规行业引入AI Agents的关键前置条件；第三，人才与能力模型也会变化——企业需要既懂上下文工程、RAG/混合检索、知识图谱，又理解数据治理与权限边界的复合型团队，才能把“会记忆的智能体”变成稳定的生产力。正如红海云在探索新一代人力资源管理解决方案时所强调的，技术的终极价值在于赋能组织：把知识沉淀、流程协同、权限合规与效率提升打通，才能让AI从工具走向可规模化的组织能力。
