智能體記憶是數據庫嗎？重新思考長期AI智能體記憶的數據基礎

近年來，隨着大型語言模型（LLM）驅動的人工智能代理（Agent）在日常任務中的廣泛應用，長期記憶管理成為了一個核心挑戰。來自arXiv的一篇新論文（arXiv:2605.26252）從根本上質疑了當前處理代理記憶的方式：將記憶視為數據庫的範式是否合理？作者Abdelghny Orogat和Essam Mansour指出，現有的代理記憶系統以及傳統數據庫方法都將記憶視為靜態存儲，並將正確性定位在單個記錄、嵌入或邊上。這種做法導致了四種反覆出現的失敗模式：無節制的增長（記憶無限膨脹，缺乏修剪機制）、缺失語義修訂（無法基於新信息對已有記憶進行更新或修正）、容量驅動的遺忘（因為容量限制而不得不丟棄重要信息，而非基於語義重要性）以及只讀檢索（記憶一旦存儲就無法修改或刪除，阻礙了動態更新）。

為了解決這些問題，論文提出了一個名為GEM（Governed Evolving Memory，治理演化記憶）的新框架。GEM的核心思想是將長期代理記憶視為一種全新的數據管理工作負載，其正確性不再取決於單個記錄的狀態，而是整個狀態演化的軌跡。GEM用四個狀態級別的操作取代了傳統數據庫的記錄級操作：攝入（Ingestion）、修訂（Revision）、遺忘（Forgetting）和檢索（Retrieval）。此外，論文定義了六項正確性條件，用以約束記憶狀態的演化過程。通過三個結構性觀察，作者證明無論採用何種存儲模型（關係型、圖型、向量型等），任何基於記錄的系統都無法同時滿足這些條件。

為了驗證其可行性，研究團隊在屬性圖後端上構建了一個原型系統MemState。實驗表明，MemState能夠有效地實現GEM的抽象，同時也暴露了與原生引擎之間的差距。論文最後提出了三個未來研究方向，旨在將記憶中心的數據管理定義為一個獨立的工作負載。這項研究為構建真正具備長期記憶能力的AI代理提供了堅實的理論基礎，可能對未來的代理架構、數據管理系統以及AI應用產生深遠影響。