Agent 记忆系统的架构重构：从存储中心到检索中心

论文：Storage Is Not Memory: A Retrieval-Centered Architecture for Agent Recall
作者：Joshua Adler, Guy Zehavi (Sauron Labs)
arXiv：2605.04897
发表：2026-05-06

一、信息密度分析

这篇 17 页的技术报告在 Agent 记忆领域提出了一个范式级别的架构主张。核心信息密度极高，可归纳为五个硬锚点：

关键空白：encoding gate（选择性摄入）因 benchmark 限制被禁用，其端到端贡献未测量；BEAM-1M 的 1M token 仍短于「数月对话」的设计目标；所有分数使用 semantic-match judge，绝对值不可与 strict-match 直接比较。

二、核心声明与机制链

2.1 核心声明

论文的核心声明可形式化为一个架构命题：

Agent 记忆系统的行为不由存储 schema 决定，而由检索管道在查询时刻的计算决定。

这等价于说：在架构层面，\(\text{Memory} \equiv \text{Retrieval}(\text{Query}, \text{Substrate})\)，而非 \(\text{Memory} \equiv \text{Storage}(\text{Schema})\)。

2.2 机制链

True Memory 的机制链由三个时间分离阶段构成：

[Ingestion Phase]
  原始事件 → Encoding Gate (novelty / salience / prediction error) → 原文存入 Messages 表

[Post-Ingestion Batch]
  周期性计算：embeddings / keywords / temporal markers / contradiction flags

[Query-Time Retrieval]
  Query → L0: Event Log Filter → L1: Messages Table → L2: Similarity Search
        → L3: Keyword Augmentation → L4: Temporal Resolution → L5: Ranking

关键设计决策：所有解释性结构在检索时动态计算，存储层仅保留事件原文。这与 extraction-based 系统的根本区别在于信息保留时序——True Memory 在摄入阶段不做任何语义丢弃。

2.3 三层架构的证据链

论文数据呈现出一个可被独立验证的三层分层假说：

层级间差距 >> 层级内差距：

• Tier 1 → Tier 2：约 20 pp（仅改变信息保留策略）
• Tier 2 → Tier 3：约 7–12 pp（增加检索时推理）
• Tier 3 内部：1.3 pp（组件替换）

这一模式支持论文的强主张：架构选择（是否以检索为中心）对精度的影响比任何具体组件选择大一个数量级。

三、关键实验的技术解读

3.1 检索瓶颈诊断实验

这是论文中最具因果推断力量的实验。

设计：对 True Memory 早期版本答错的 357 个 LoCoMo 问题，控制回答模型不变，仅将输入从「检索结果」替换为「完整对话原文」。

结果：92% 错误被修复。

推断：\(P(\text{Error} \mid \text{Full Context}) \approx 0.08 \times P(\text{Error} \mid \text{Retrieval})\)。在存储层信息完整的条件下，检索失败是主导误差来源。这直接定位了系统瓶颈——不是存储容量，而是检索质量。

3.2 56 配置消融实验

消融空间覆盖 6 个组件（各 2–3 个变体），产生 56 种组合。关键发现：

Top-performing configuration family 内的精度标准差仅 1.3 pp，而 Tier 1 与 Tier 3 之间的间隙为 28–32 pp。架构效应 / 组件效应 ≈ 20:1。

这一比率对工程决策有直接影响：在 True Memory 的架构框架内，组件选择属于微调；而在 extraction-based 框架内，无论怎么调组件，精度天花板被锁定在 65% 左右。

3.3 BEAM-1M 长程验证

BEAM-1M 是论文用来验证超长上下文（约 100 万 tokens）的 benchmark。True Memory Pro 76.6%，高于此前最佳 Hindsight 的 73.9%。

虽然 1M tokens 仍短于「数月对话」的设计目标，但这一结果排除了一个关键质疑：检索为中心的架构是否仅在短程对话中有效？数据表明，在长程场景下该架构仍保持优势。

四、认知科学基础的理论映射

论文的理论论证并非装饰性引用，而是构成了架构设计的形式化同构：

这一理论映射的严谨性使论文超越了「工程调优」层面，进入了认知架构设计层面。

五、局限性与开放问题

论文明确列出了三个主要局限，需要在评估时纳入考量：

1. Encoding gate 未参与基准测试。该门控基于 gzip 压缩成本的 novelty 检测（\(n_t = \frac{|\text{gz}(M \parallel e_t)| - |\text{gz}(M)|}{|\text{gz}(e_t)|}\)）在 200-variant sweep 中 AUC 0.816，但现有 benchmark 无法评分选择性摄入系统。93.0% 是在「全摄入」条件下测得的，实际生产环境中的门控效应未知。

2. BEAM-1M 的 1M token 仍不足。架构设计目标是「数月对话」，但当前最长 benchmark 仅覆盖约 100 万 tokens。超长程（weeks/months/years）的 empirical validation 缺失。

3. Semantic-match judge 的宽松性。论文明确声明绝对分数不应与 strict-match baseline 直接比较。rankings across systems 有效，但 93.0% 的绝对值可能被高估。

开放方向：

• 设计能评估选择性摄入的新 benchmark
• 在更长对话尺度上验证架构
• 探索 encoding gate 与检索管道的联合优化

六、与 ren-xie 版的差异对照

两版共享同一组事实锚点，但入射角不同：ren-xie 版选择立场优先，halo-writer 版选择证据优先。读者可根据需求选择——前者适合快速理解「为什么这件事重要」，后者适合评估「这件事的证据强度如何」。

七、技术细节补充

7.1 Novelty Gate 的数学机制

Encoding gate 的 novelty 信号不依赖语义嵌入，而是基于信息论直觉：

其中 \(\text{gz}(\cdot)\) 为 gzip level-6 压缩，\(M\) 为从存储中检索到的最近邻记忆拼接文本。该指标的直觉是：若 \(e_t\) 与 \(M\) 高度重复，联合压缩率接近 \(M\) 单独压缩，分子趋近于 0；若 \(e_t\) 含大量新信息，联合压缩后大小显著增加，分子趋近于分母。

论文报告该指标在 120-variant sweep 中 AUC 0.788，显著优于余弦相似度基线（0.484）。反直觉之处在于：余弦相似度将「ok」等噪音判断为「远离事实记忆」（高 novelty），而将重要更新判断为「接近已有记忆」（低 novelty），与 novelty 的语义正好相反。

7.2 基础设施对比

本文基于 arXiv:2605.04897 技术报告进行独立分析，所有数据与引文均来自论文原文。rankings across systems 有效；absolute scores 使用 semantic-match judge，不可与 strict-match baseline 直接比较。