AI Agent 用到现在，一个最让人头疼的问题不是能力不够，而是”记不住”。同一个用户，在 Agent A 上花了三个月调教出偏好和工作习惯，换到 Agent B 之后一切归零——用户得从头解释自己做什么、喜欢什么格式、有哪些固定的工作流程。
这个问题不只是用户体验的问题。在 证据包 和 知识库陈旧内容巡检 的场景里，Agent 需要记住的不是”用户喜欢什么颜色”这种偏好，而是”上次巡检到第几页””哪些文档已被标记为过期待更新””上一次回放对照用了哪些样本”。这些信息如果只存在一次会话里，下次执行巡检任务时 Agent 等于重新开始。
记忆系统的四个核心挑战
Agent 记忆系统要解决的不是”增加一个存储层”的问题，而是四个更根本的挑战：
第一，记忆带不走。当前大多数 Agent 的记忆是私有实现——对话历史存在自己的数据库里，换框架、换应用、甚至换一个 session，记忆就丢了。
第二，记忆视角不同。客服 Agent 关心的是用户投诉历史和偏好渠道，知识库巡检 Agent 关心的是文档版本和过期标记，这两种记忆的实体、属性和提取规则完全不同，不能用一套模板套。
第三，记忆系统不会成长。提取策略和检索策略在开发完成后基本固化，不会从真实使用中学习。Agent 反复踩同样的坑，记忆系统从不记录。
第四，记忆缺少时间维度。系统只知道”现在是什么”，不知道”过去是什么、什么时候变的、为什么变了”。这和 变更后验证清单 的需求高度相关——你需要知道一条规则是昨天刚刚改的、还是三个月前就定了。
三维记忆建模：不只存文本，要存结构
更好的做法是用”实体-属性-时间”三维结构来建模记忆。每个记忆不是一段文本，而是一个三元组：某个实体（人、项目、文件、工具）在某个时间点上的某个属性（偏好、状态、配置）是什么值。
这样做的好处是，”用户以前喜欢 X”和”用户现在改用 Y”不再被当成两段不相干的文本片段，而是放在同一实体、同一属性的时间轴上。系统可以知道”什么时候改的”，而不是只知道”现在是什么”。
Dreaming：Agent 也要有空闲时间整理记忆
人不会记住所有细节。我们会在回顾中合并重复信息、淘汰过时判断，从多次经历中形成更抽象的认识。Agent 记忆系统也需要类似的能力——业界把这叫 Dreaming。
Dreaming 在离线阶段做三件事：识别同一实体的重复记录并合并，发现新旧事实的替代关系并归档旧版本，从多次相似经历中提取更高阶的模式。效果是让下一次检索拿到更干净、更少冲突的上下文，而不是把矛盾的旧记忆和新记忆一起塞给回答模型。
在知识库巡检场景里，Dreaming 可以和 知识库陈旧内容巡检 形成互补：巡检负责发现知识库里的过期内容，Dreaming 负责管理 Agent 自己对巡检结果的记忆——上次巡检到哪了、哪些文档已被确认过期、哪些标记还没处理。
Feedback：用户的纠正不能只修一条答案
用户对 Agent 的每一次纠正——”不对，我说的不是这个意思””这个信息已经过时了””以后遇到这种情况请优先选方案 B”——不应该只影响当前这一次回答。它应该反向修改记忆系统里的相关内容。
Feedback 机制的核心是判断纠正信号的性质：是临时信息（这一次的特殊情况）、场景偏好（特定条件下成立），还是长期规律（适用于大多数情况）。然后决定是该新增、更新、归档还是删除相关记忆。
Skill 进化：把踩坑经验变成可执行规则
记忆系统的终极应用是让 Agent 的操作指南（Skill）也能持续进化。初始 Skill 写的可能是”用 openpyxl 打开 Excel 文件”，但实际执行中反复出现的坑是：公式不会被自动重算、格式化空行会让 ws.max_row 虚高、保存成功不代表结果已通过验证。
Skill Evolution 做的事情是把这些反复踩坑的经历压缩成可执行约束：不要依赖公式文本、读写前先建快照、保存后重新打开复核。这不是增加更多 API 教程，而是把失败轨迹变成避错规则。
这个思路和 需求变更影响评审 是通的——Skill 改一条规则时，要确认它不会打破已有的约束。
总结
AI Agent 记忆系统要进化，核心是从”一段对话的附属物”变成”独立于 Agent 的长期资产”。三维建模让记忆有结构，Dreaming 让记忆自动整理，Feedback 让用户纠正能反向作用，Skill Evolution 让操作指南能从失败中学习。这四层机制，是 Agent 从一次性工具变成长期协作者必须补上的基础设施。
