大模型已经学会了结构：Agent 的记忆问题该怎么重新思考？
当我们还在讨论“Agent 的记忆该用图还是表、用向量还是文本”时，一个更基础的问题往往被忽略了：
这些结构，模型本身是不是已经学会了？
随着大模型能力的快速跃迁，尤其是具备强推理能力的模型逐渐成为系统核心，许多“看起来很合理”的记忆设计，正在悄然失效。
本文尝试从工程与系统设计的视角，重新审视 Agent 的记忆问题，并系统对比几种常见记忆方式，最终给出一个并不讨巧、但更可落地的结论。
一、为什么“记忆问题”在大模型时代变得不一样了？
在大模型出现之前，系统设计者讨论“记忆”，往往等价于讨论：
- 如何存知识？
- 如何表达概念？
- 如何构建世界模型？
- 如何显式建模关系与规则？
于是我们看到了大量实践：
- 知识库
- 知识图谱
- 本体（Ontology）
- 规则引擎
这些方案在当时并非错误，因为模型本身缺乏结构理解能力，系统必须“代劳”。
但今天，一个关键前提已经发生变化：
现代大模型已经内化了大量抽象结构、概念关系和推理模板。
它们已经能够理解：
- 概念层级
- 角色关系
- 事件结构
- 因果与条件
- 任务与流程模式
在这个前提下，我们仍然执着于“如何再造一套结构化记忆”，本身就值得警惕。
二、重新定义问题：Agent 到底需要“记住”什么？
如果继续把“记忆”等同为“知识表示”，讨论永远无法收敛。
从工程视角，一个更准确的定义是：
Agent 的记忆，本质上是一套为模型服务的事实（facts）管理机制，而不是认知结构本身。
这个定义刻意避开了“像不像人脑”，而强调三个更冷静的关键词：
1. 为模型服务
记忆不是给人看的，而是为了让模型在具体任务中做出更可靠的判断与决策。
2. 事实（facts），而非概念
不是“世界是什么样”，而是：
- 发生了什么
- 当前状态是什么
- 谁在什么时候做了什么
- 哪条信息被修改、被撤回、被否认
3. 管理机制，而不是静态存储
包括：
- 可定位
- 可修改
- 一致性约束
- 版本与审计
- 冲突与遗忘
一旦接受这个定义，问题就发生了本质变化：
记忆结构不再是信仰之争，而是工程取舍。
三、几种常见“记忆方式”的工程性对比
下面从工程视角，逐一分析当前常见的几种“记忆形态”，它们各自解决什么问题，又无法解决什么问题。
1. 关系型数据库（RDB）
核心特征
- 显式 schema
- 强一致性
- 事务与约束成熟
适合存储
- 状态明确、字段稳定的事实
- 需要频繁修改、纠错的数据
- 强一致性、强审计场景
例如：
- 任务/案件状态
- 系统配置
- 执行结果
- 当前快照
优势
- 可定位性极强
- 可修改、可回滚
- 一致性最好
- 运维成熟
局限
- 不擅长复杂多对多关系
- schema 演化存在成本
判断
RDB 是事实治理的基础设施，但不是认知结构的表达工具。
2. 图结构（Graph / Knowledge Graph）
核心特征
- 节点 + 边
- 多对多关系
- 路径查询
适合存储
- 天然以“关系”为核心的事实集合
- 需要多跳关联的实例网络
例如：
- 人–案–物–事件
- 组织与协作关系
- 交易网络
优势
- 关系表达直观
- 多跳关联自然
关键局限
- schema 隐式，容易失控
- 演化和维护成本高
- 极易被滥用为“认知图谱”
- 一旦引入 ontology，复杂度指数级上升
判断
图适合表达“事实之间的关系”，而不适合承担“概念理解”的职责。
3. 非结构化文本（Documents / Logs）
核心特征
- 无 schema
- 高保真
- 信息密度大
适合存储
- 人类生成的信息
- 不宜过早结构化的内容
- 需要完整留痕的材料
例如：
- 笔录
- 报告
- 对话记录
- 历史日志
优势
- 信息不丢失
- 结构演化成本低
局限
- 对模型不友好
- 难以精确定位与修改
- 需要额外解析成本
判断
文本是事实的原材料，而不是可直接操作的记忆。
4. 向量记忆（Embedding / Vector DB）
核心特征
- 相似性空间
- 连续表示
- 无显式语义
适合用途
- 找“相关内容”
- 缩小搜索空间
- 作为召回层
优势
- 语义泛化强
- 检索效率高
- 对 schema 不敏感
根本局限
- 无法表达一致性
- 无法精确修改
- 无法审计
- 相似 ≠ 正确
判断
向量不是记忆本体，而是记忆的“索引层”。
四、关键前提：结构与抽象，模型已经学会了
为什么我们可以放弃对“统一记忆结构”的执念？
因为一个事实已经成立：
模型本身已经承担了大量结构、抽象与关系的学习。
模型擅长的包括：
- 概念与角色理解
- 事件模板
- 推理与归纳
- 不确定性处理
换句话说：
模型存的是“世界的语法”，系统存的是“世界的事实”。
在这个分工下：
- 再建一套重型知识图谱去表达概念结构，往往是重复建模；
- 把大量离散事实压进模型权重，则会失去可控性。
五、为什么不存在“最佳的记忆方式”
到这里，结论已经非常清晰：
记忆方式的选择，完全取决于事实本身的结构、生命周期与治理需求。
在一个成熟的 Agent 系统中，合理的状态往往是混合的：
- RDB：事实主存与一致性基石
- 图：关系索引与关联查询
- 文本：原始证据与高保真记录
- 向量：语义召回与搜索入口
这不是折中，而是复杂系统的必然形态。
六、真正困难的问题：事实的生命周期管理
真正值得投入精力的，从来不是“用什么结构存”，而是：
- 哪些事实应该长期保留？
- 哪些事实可以被覆盖？
- 哪些事实允许冲突？
- 哪些事实必须强一致？
- 何时遗忘？由谁决定？
这已经不是数据结构问题，而是：
系统治理能力的问题。
七、结语：记忆不是智能的来源，而是智能的控制面
在 Agent 时代，最容易犯的错误是：
- 把“像人脑”当成目标
- 把“统一结构”当成美学追求
但真正高效、可扩展的系统，反而更克制：
认知交给模型，
事实交给系统，
存储服从事实，
而不是反过来。
这，才是“大模型已经学会了结构”之后，Agent 记忆问题应有的重新思考方式。
