AI Agent 的瓶颈不是上下文长度，而是记忆系统缺失

AI 智能体在使用工具、处理文档和完成多步骤任务方面越来越强。

但有一个问题——每次你长时间使用一个智能体时，这个问题就会变得更加明显：

问题不在于模型无法处理足够的 token。问题在于 上下文（context）和记忆（memory）是不同的东西。

上下文告诉智能体此刻有什么信息可用。

记忆告诉智能体它之前学到了什么。

这两者很容易被混淆。

上下文与记忆的区别

想象一个在一个大型 Python 应用上工作的编码智能体。

周一，开发者告诉它：

我们有意不使用 Redis，因为系统需要保持为单一进程可部署。

周五，智能体遇到一个性能问题，然后建议使用 Redis。

原始声明已经不在当前的上下文里了。

模型不一定错了。它只是不记得这个架构约束。

一个记忆系统应该在相关信息变得重要时能够检索到它。

但即便如此也还不够。

假设开发者后来改变了架构：

我们现在使用 Redis 来做分布式部署。

记忆系统现在有两条陈述：

• Redis 不应该被使用。
• Redis 现在正在被使用。

一个简陋的记忆系统可能会两条都检索出来。

向量数据库可能会返回嵌入向量最近的那条。

LLM 可能会决定哪条陈述听起来更可信。

这些方法都不能可靠地回答一个简单的问题：

哪条陈述是现在为真的？

这就是时间记忆变得重要的地方。

Memvara 的方法基于两条独立的时间轴：一个事实何时为真，以及系统何时知道或记录了它。

两种不同的时间

有一件事为真的时间。

还有你得知它的时间。

这两者不一定相同。

例如，一个客户可能在 1 月 1 日搬到了柏林，而你的智能体直到 2 月 10 日才知道这次搬家。

这是两个不同的时间戳。

一旦你将它们分别建模，历史问题就变得可能了：

• 关于这个客户，现在什么是为真的？
• 在 2 月 1 日，系统相信什么？

这是不同的问题。

记忆也应该是可以解释的

一个智能体不应该仅仅返回：

Berlin

应该要能够理解为什么柏林是当前的答案。

• 这个事实来自哪里？
• 它是何时被记录的？
• 它取代了之前的哪个事实？
• 之前的事实何时不再有效？

Memvara 暴露了来源（provenance）和历史检索能力，使记忆可以被审查，而不是被当作一堆不透明的检索文本。

这改变了我们对智能体记忆的思考方式

有趣的问题不是：

我们如何存储更多文本？

而是：

我们如何维护一个关于世界的、可信的、不断演化的状态？

这需要一些属性，例如：

• 跨会话持久化
• 矛盾消解
• 确定性更新

这正是 Memvara 旨在解决的问题。

目标不是给智能体一堆巨大的历史对话。

目标是给它一个能够回答以下问题的记忆系统：

• 它何时变为真的？
• 我之前相信什么？

上下文给智能体信息。

记忆给它连续性。

---