香港中文大学与浙江大学联合研究指出，当前 AI Agent 的「记忆」本质只是基于检索的「备忘录」，缺乏将经验抽象为规则并整合进权重的真正学习能力，并提出双系统架构作为解决方案。
📝 详细摘要
本文报道了香港中文大学与浙江大学联合发表的一篇立场论文，该论文对当前 AI Agent 的主流记忆方案（向量存储、RAG、Scratchpad、上下文窗口管理）提出了根本性质疑。研究者认为，这些机制本质上都是基于检索的「备忘录」，而非人类意义上的「真正记忆」。论文从神经科学中的互补学习系统理论出发，指出当前 Agent 只实现了海马体（快速记录与召回），缺少新皮层（将经验抽象为规则并写入权重）的功能。作者归纳了三大结构性缺陷：信息积累不等于能力提升、存在可量化的泛化天花板（样本复杂度理论证明）、以及记忆投毒攻击的结构性安全漏洞。论文并非全盘否定现有方案，而是提出双系统共存的架构路径：在保留现有检索式情景记忆的同时，增加一条异步巩固通道，利用 LoRA、MEMIT、TTT 层等技术将情景记忆逐步整合进模型权重。文章还引用了学术社区的热议，认为这篇论文之所以引发广泛讨论，是因为它清晰地说出了许多工程师和研究者隐约感受到但未能明确表述的问题。
💡 主要观点
- 当前 AI Agent 的「记忆」本质是「备忘录」，而非真正的记忆。 主流方案（向量存储、RAG、Scratchpad）均基于检索，通过相似性匹配召回信息，缺乏将经验抽象为通用规则的能力，与人类「记在心里」的机制有本质区别。
💬 文章金句
- 我们根本就没有给 Agent 真正的记忆。我们只是给了它一个备忘录（Memo）。
- 当前 Agent 做不到这一步。每次会话结束，模型的权重完全不变，下一次依然是从同一个「新手」起点出发，只是多了几条备忘录。
- 增大上下文窗口无法突破这个上限。限制不来自容量，而来自组合覆盖度。
- 论文作者将当前的 Agent 比作一个永远不睡觉的人——不断记笔记，却从不整理，永远无法将零散的经验升华为真正的专业知识。
- 它引发如此广泛的讨论，或许恰恰说明：这个问题，几乎每一个认真使用过长期 Agent 的工程师和研究者都曾隐约感受到，只是暂时没有人把它说清楚。
📊 文章信息
AI 初评：86
来源：新智元
作者：新智元
分类：人工智能
语言：中文
阅读时间：11 分钟
字数：2620
标签： AI Agent, 记忆系统, 互补学习系统, RAG, 持续学习