给 agent 加记忆之前，先量一量原始记录加检索的账

做 agent 应用时，记忆架构常常在第一周就定了：抽取事实、写摘要、建图谱、让模型自己更新记忆库。我的建议是先别急。场景早期，先把原始对话存好，搭一个检索基线，量清楚记忆要花多少、能答对多少，再决定要不要上复杂的记忆层。10 月的两篇论文给了这么做的理由，Latent Space 的 AINews 也把它总结成一句：原始历史仍是很强的记忆基线。⁴

原始记录加检索，七组设置赢了六组

第一篇论文的基线很朴素：把对话连同时间戳切成 256 token 的窗口，向量检索取最近的 128 个，再用重排模型挑出 15 个交给大模型回答，中间没有任何抽取、摘要或改写。它和 Mem0、MemOS 等 12 个记忆系统比了 4 个基准，在 7 组基准与模型的组合里拿了 6 个第一，比最强的记忆系统高 0.13 到 5.53 分。唯一输的一组是 DeepSeek-V4-Flash 跑 MEME，差 1.52 分。¹

第二篇论文换了一批系统，结论相同：在 LongMemEval-S 上，原始记录检索得 78.0，六个显式记忆系统里最好的 LightMem 是 64.0。作者的原话是，没有一个显式记忆系统超过最强的原始记录基线。²

贵在写入：百万 token 的对话，0.33 小时对 26.95 小时

FIG.1同一段约一百万 token 的对话（BEAM-1M）全部写入记忆所花的时间。MemOS 是完成写入的记忆系统里最快的，Memora 最慢。

记忆系统每写入一轮对话，都要调用大模型去抽取、合并、更新。BEAM-1M 是一段 1,710 条消息、接近一百万 token 的对话，原始记录检索写完只要 0.33 小时，记忆系统要 3.25 到 26.95 小时。在 MemoryAgentBench 上，三个带记忆管理的系统写入加检索用掉 2,160 万到 1.093 亿个 token、2.9 到 8.8 小时，原始记录检索是 12 分钟。¹

FIG.2六个记忆系统按构建时间从少到多排列，右边是各自的准确率。构建最贵的 A-Mem 准确率倒数第二，没有一个超过原始记录检索。

花得多也不一定答得好。图 2 里构建时间差了 35 倍，准确率却没有跟着涨。²

每加工一次，就丢一部分证据

第一篇论文还做了个实验：把每个记忆系统导出的全部内容都交给模型，不再受检索限制，准确率仍比直接读原始证据低 7.58 到 29.38 分。作者提醒，这个差距不全是写入时丢的信息。¹第二篇论文用理想检索也看到同样的现象。²

对要审计的场景，这一点更重要：原始记录能直接追溯到用户说过的原话，摘要和抽取出的事实做不到。代价是存储和隐私，原始对话要能按用户删除。¹

复杂记忆有用的地方，比想象的窄

记忆系统的优势集中在少数几类问题：该拒答时拒答、处理前后矛盾的信息、排时间顺序，以及上下文预算很紧、回答模型较小的时候；这些优势在两个基准之间也不稳定。²另一组叫 MemoryTax 的测试用一段 419 轮的对话，Pi 搭配 Opus 5.5 直接搜索原始历史，得分 99%，成本不到塞满上下文的一半；Mem0 这类记忆层只帮到了较弱的模型。也有反方向的结果：Toloka 和 xmemory 报告记忆机制在 11 个模型上都带来了提升。³

场景早期，先量这四个数

每段对话写入要花多少时间和 token；
每次查询的延迟和成本；
在自己的问题上答对多少，尤其是拒答、矛盾、时间顺序这几类；
原始记录存多久、删除一个用户要多少工作。

基线够用就停在这里。某类问题持续答错，或者上下文预算确实很紧，再只给这一类加结构化记忆，并和基线并排比。