智能体记忆是数据库吗？重新思考长期AI智能体记忆的数据基础
arXiv新论文提出GEM（治理演化记忆）框架，将长期AI智能体记忆视为新的数据管理工作负载，通过状态级操作替代记录级数据库操作，解决当前记忆系统的四大缺陷。
文章情报
要点
- 当前智能体记忆系统存在无节制增长、缺乏语义修订、容量驱动遗忘和只读检索四个问题
- GEM用四个状态级操作（摄入、修订、遗忘、检索）替代记录级数据库操作
- 论文证明任何记录级系统都无法满足六项正确性条件
- 原型系统MemState在属性图后端上验证了可行性
为什么重要
这条新闻值得关注，因为当前智能体记忆系统存在无节制增长、缺乏语义修订、容量驱动遗忘和只读检索四个问题。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
近年来，随着大型语言模型（LLM）驱动的人工智能代理（Agent）在日常任务中的广泛应用，长期记忆管理成为了一个核心挑战。来自arXiv的一篇新论文（arXiv:2605.26252）从根本上质疑了当前处理代理记忆的方式：将记忆视为数据库的范式是否合理？作者Abdelghny Orogat和Essam Mansour指出，现有的代理记忆系统以及传统数据库方法都将记忆视为静态存储，并将正确性定位在单个记录、嵌入或边上。这种做法导致了四种反复出现的失败模式：无节制的增长（记忆无限膨胀，缺乏修剪机制）、缺失语义修订（无法基于新信息对已有记忆进行更新或修正）、容量驱动的遗忘（因为容量限制而不得不丢弃重要信息，而非基于语义重要性）以及只读检索（记忆一旦存储就无法修改或删除，阻碍了动态更新）。
为了解决这些问题，论文提出了一个名为GEM（Governed Evolving Memory，治理演化记忆）的新框架。GEM的核心思想是将长期代理记忆视为一种全新的数据管理工作负载，其正确性不再取决于单个记录的状态，而是整个状态演化的轨迹。GEM用四个状态级别的操作取代了传统数据库的记录级操作：摄入（Ingestion）、修订（Revision）、遗忘（Forgetting）和检索（Retrieval）。此外，论文定义了六项正确性条件，用以约束记忆状态的演化过程。通过三个结构性观察，作者证明无论采用何种存储模型（关系型、图型、向量型等），任何基于记录的系统都无法同时满足这些条件。
为了验证其可行性，研究团队在属性图后端上构建了一个原型系统MemState。实验表明，MemState能够有效地实现GEM的抽象，同时也暴露了与原生引擎之间的差距。论文最后提出了三个未来研究方向，旨在将记忆中心的数据管理定义为一个独立的工作负载。这项研究为构建真正具备长期记忆能力的AI代理提供了坚实的理论基础，可能对未来的代理架构、数据管理系统以及AI应用产生深远影响。