2026 年做搜索就是做 Agent Memory

📌 一句话摘要

本文基于 Elastic 全球副总裁肖涵的演讲，系统阐述了 AI 搜索向智能体记忆演进的必然性，分析了当前 Agent 记忆的痛点、技术流派、核心挑战，并介绍了 Jina AI 与 Elastic 融合后提供的搜索底座解决方案。

📝 详细摘要

文章以第一人称视角，分享了 Jina AI 创始人、现 Elastic 全球副总裁肖涵在 Elastic 中国 AI 搜索技术大会上的演讲内容。核心观点是：随着 AI Agent 向长时程任务发展，持久化记忆成为关键瓶颈，因此 2026 年的 AI 搜索本质上就是在构建智能体记忆系统。文章首先通过个人使用小龙虾（Crawfish）Agent 的失败案例，揭示了当前 Agent 记忆在 Query 构造、多语言处理上的痛点。随后回顾了搜索技术从关键词、向量、混合搜索到 RAG、Deep Research 的演进脉络，指出 Agent 的 Search-Read-Reason 循环对记忆提出了新要求。作者深入探讨了记忆表征、选择性遗忘、跨模型迁移等核心挑战，并将现有记忆产品划分为数据库派、文件派和模型派三大类，分析了各自的优劣。最后，文章介绍了 Jina AI 与 Elastic 融合后形成的搜索底座三件套（Embedding、Reranker、Reader），并展望了智能体记忆的未来趋势，如统一范式缺失、Unlearning 技术债、以及与推荐系统的融合。

💡 主要观点

- Agent 的长时程任务能力使其持久化记忆成为刚需，而不仅仅是可选项。 当 Agent 需要自主运行数小时甚至数天时，其产生的数百次搜索、阅读和推理经历无法全部塞入上下文窗口，必须依赖外部的高效记忆存储与检索系统，这是智能体实用化的命门。

当前 Agent 记忆系统的核心痛点在于记忆表征不完善和缺乏选择性遗忘机制。 记忆应以何种形式（向量、知识图谱、文件、模型权重）存在尚未有共识，这导致了系统设计的混乱。同时，系统普遍只会累积不会遗忘，导致历史噪声污染后续检索，形成技术债。

智能体记忆产品可按「真相源」原则分为数据库派、文件派和模型派三大流派。 数据库派（如向量库）结构化程度高但灵活性差；文件派（如 Markdown）透明可编辑但易膨胀；模型派（真相在模型权重中）自适应但黑盒。各自适应不同场景，暂无统一范式。

构建高效的智能体记忆需要超越传统扁平化 RAG，引入时序、层级和状态管理。 传统 RAG 缺乏状态和时间关系，不擅长处理记忆的更新、冲突和衰减。未来的记忆系统需要结合图数据库、时序数据库和仿生学的分层设计（如睡眠强化机制）。

Jina AI 与 Elastic 的融合提供了覆盖智能体记忆所需的多层搜索底座能力。 从底层的多语言向量检索（Jina Embeddings）、BM25 关键词搜索（Elasticsearch）、混合检索，到精排重排序（Jina Reranker）和文档理解（Jina Reader），形成了完整的技术栈。

💬 文章金句

- 大家今天还用 grep+md 做记忆召回，说明我们几年来语义搜索就没做好。

• 只要第一步 Query 构造错了，整个检索就是废的。
• 当 Agent 的目标变成长时程任务，持久记忆就不再是可选项，是命门。
• 机器学习的顶会之一 ICLR 的全称就是 International Conference on Learning Representations，表征学习国际会议。顶会以‘表征’命名，你就知道这个概念在整个 AI 领域的位置。
• 现在我们看到的 agent 系统都有一个最致命的问题，就是它不会选择性遗忘。如果系统不做选择性遗忘，最后一定是乱的。

📊 文章信息

AI 初评：88

来源：Jina AI

作者：Jina AI

分类：人工智能

语言：中文

阅读时间：32 分钟

字数：7974

标签： 智能体记忆, Agent Memory, AI 搜索, RAG, 长时程任务

阅读完整文章