Agent Memory

两份独立来源（Vishal Mysore 的三方对比 + Anthropic 的 context engineering）相互印证的模式：agent 把信息持久化到上下文窗口之外、稍后读回，以获得跨会话连续性。

两相系统（区别于 RAG 的关键）

• 写相（对话时）：从用户话语中抽取事实（偏好、历史、约束）写入记忆存储——抽取与存储本身就是推理操作（决定什么值得留、怎么存）。
• 读相（查询时）：取回存储的上下文，与查询一起注入，个性化响应。

成熟系统会跨会话总结、聚类相关事实、推导偏好、构建结构化用户模型。Anthropic 的 structured note-taking（NOTES.md、Claude 玩 Pokémon 跨数千步维持策略）是同一机制在任务场景的形态。

边界与盲区

• 知道用户，不知道领域：记住“用户偏好 Python”但没有文档知识的 agent 依然帮不上技术支持——记忆与领域知识是正交问题，需要分别解决。
• 稀疏且有噪：只知道用户明说过的东西。

与 wiki / RAG 的三角关系

	管什么	写入时机
LLM Wiki	领域知识	ingest 时编译
Agent Memory	用户知识	对话时抽取
RAG	大规模文档检索	默认无状态

三者不是竞争者，生产系统日益并用。wiki 的“图书馆没有图书管理员”缺口（不知道谁在读、为什么读），恰好由 agent memory 补位。

关联

• context engineering 的长任务三技术之一（structured note-taking）
• 知识复利：wiki 与 memory 的同源性分析
• RAG vs 编译式 Wiki：三角关系的对比视角
• 本知识库对维护它的 agent 而言就是 agent memory（跨会话状态），对人而言是 LLM Wiki——一体两面。