🤖 AI

Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory

本文认为，由于现有数据库范式聚焦于记录级操作，不足以支撑长期人工智能代理的记忆需求，因此提出“受控演进记忆”（GEM）作为一种新的状态级数据管理负载，该负载由四个算子和六个正确性条件定义，旨在解决无规制增长和语义修订缺失等反复出现的故障模式。

原作者： Abdelghny Orogat, Essam Mansour

发布于 2026-05-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Abdelghny Orogat, Essam Mansour

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教会一个非常聪明但健忘的机器人助手如何管理你的生活。你希望它能记住你的偏好、项目截止日期以及你们的对话，以便它明天能比今天更好地帮助你。

目前，大多数人工智能“记忆”系统的工作方式就像一大堆杂乱无章的便利贴。每当你告诉机器人一些新信息，它只是往那堆便利贴上再贴一张新纸条。它从不扔掉任何内容，即使你改变了主意，它也从不更新旧的纸条。

这篇论文认为，这种“便利贴”方法是行不通的。作者 Abdelghny Orogat 和 Essam Mansour 指出：“不，人工智能的记忆不应是记录数据库；它应该是一种不断演变的、鲜活的状态。”

以下是他们观点的通俗类比解析：

1. 问题所在：“便利贴”灾难

该论文指出了当前人工智能记忆失败的四种具体方式，他们称之为“故障模式”。想象一下，你的机器人助手有一叠纸条：

📉 无监管的增长（那堆东西变得太大）：
- 问题所在： 机器人不断添加纸条，却从不清理。如果你在周一告诉它“我的会议在下午 2 点”，周二又告诉它“我的会议在下午 3 点”，现在它就有两张纸条。它不知道哪一张才是真实的。
- 结果： 那堆东西变得如此巨大，以至于机器人感到困惑并运行缓慢，因为它必须阅读成千上万张冗余的纸条才能找到答案。
🔄 缺失语义修订（“编辑”按钮不起作用）：
- 问题所在： 当前系统将记忆视为“仅追加”模式。如果你更改了截止日期，机器人不会修正旧纸条；它只是添加一张新纸条说“截止日期已更改”。
- 结果： 当你问“截止日期是什么？”时，机器人可能会调出上周的旧纸条，而不是新的那张，从而给你错误的回答。
🗑️ 缺乏选择性遗忘（“垃圾桶”坏了）：
- 问题所在： 当机器人的记忆满了时，它会优先删除最旧的纸条，而不管它们有多重要。
- 结果： 它可能会删除你关键的项目截止日期（因为它是一周前的），却保留一张关于“讨论过的午餐偏好”的纸条（因为它是更新的）。它忘记了重要的事，却记住了不重要的事。
👀 只读检索（机器人没有从关注中学习）：
- 问题所在： 当你问机器人一个问题时，它只是查找答案并告诉你。它不会“标记”那张纸条为重要。
- 结果： 如果你每天都问关于项目截止日期的问题，机器人对待这张纸条的方式，与对待六个月前只问过一次的那张纸条完全一样。它没有意识到你关心这个话题，所以以后可能会把它删除。

2. 解决方案：“受管制的演变记忆”（GEM）

作者提出了一种思考记忆的新方式。不要将记忆视为静态记录的数据库，而要将其想象成一座活生生的花园。

在花园里，你不仅仅是播种（添加纸条）。你还会：

修剪： 清除杂草（遗忘不相关的事物）。
嫁接： 如果一根树枝朝新方向生长，你会将其绑在主树上（更新事实）。
浇水： 如果你经常给植物浇水，它就会长得更壮（检索一个事实会使其更“显著”或重要）。
检查土壤： 你有关于花园如何生长的规则（策略）。

他们称之为受管制的演变记忆（GEM）。它有四个主要的“园丁”（操作符），而不是标准的数据库命令（创建、读取、更新、删除）：

摄入： 当新信息进来时，它不会只是往那堆东西上贴一张纸条。它会找到正确的“植物”并更新它。如果截止日期变了，它会更新植物的生长轮，保留旧轮作为历史，但显示新日期为当前事实。
修订： 如果花园的一部分发生变化（例如，截止日期推迟），系统会自动检查相连的植物（例如，“我们需要重新安排团队会议吗？”）并更新它们。
遗忘： 系统不是删除最旧的事物，而是“修剪”最不重要的事物。如果你几个月没谈过“午餐偏好”，那株植物就会变小并被隐藏，但不会被销毁。如果你每天都谈论“项目截止日期”，那株植物就会长得巨大并受到保护。
检索： 当你问一个问题时，系统不仅仅是读取答案；它会更新记忆。询问截止日期会让那张纸条“发光”更亮，告诉系统：“保护好这张！”

3. 原型："MemState"

为了证明这不仅仅是一个理论，作者构建了一个名为MemState的原型。

类比： 把它想象成建立在标准图数据库（如连接地图）之上的智能文件柜。
工作原理： 它不是存储单个事实，而是存储“主题”（例如一个名为“网站重新设计”的文件夹）。在该文件夹内，它保存了每次更改的历史记录（谁更改了截止日期、何时更改、为何更改）。
规则： 它有一套自动运行的规则（策略）。例如：“如果截止日期更改，自动标记‘团队会议’文件夹以供审查。”
结果： 他们表明，该系统实际上可以做到“便利贴”系统做不到的事情：它保持记忆整洁、一致，并专注于用户真正关心的内容。

4. 主要结论

该论文以一个大胆的陈述作为结论：人工智能记忆不是一个数据库问题；它是一种新型的数据管理工作负载。

正如我们发明了“流处理”来处理实时流动的数据（如股市），我们现在需要一种专门为人工智能代理设计的新型引擎，它能够：

随时间演变。
根据重要性进行选择性遗忘。
在你提问时自我更新。

作者认为，在我们构建出专为这种鲜活记忆设计的“原生引擎”之前，人工智能代理将继续感到困惑、遗忘重要事物，并给出过时的答案。他们呼吁开启数据库技术的新纪元，将记忆视为一种动态状态，而不是静态的记录列表。

技术摘要：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

1. 问题陈述

当前的 AI 智能体记忆系统和数据库范式将记忆视为一种静态存储机制，依赖于记录级别的 CRUD（创建、读取、更新、删除）操作。这种抽象无法支持长期运行的 AI 智能体的需求，后者必须在多个会话中维护、修订并对信息进行推理。作者指出了当前“仅追加”或“容量驱动”方法中固有的四种反复出现的故障模式：

无监管的增长：新信息被盲目追加，导致冗余和低相关性的条目累积，挤占了有用内容并增加了推理成本。
缺失语义修订：更新作为新记录与过时的记录一起存储，而不是被整合。这导致矛盾，即智能体可能检索到过时的事实（例如旧的截止日期），而不是当前状态。
缺乏选择性遗忘：驱逐通常由年龄或容量（FIFO）驱动，而不是由与用户的相关性驱动。关键事实可能被丢弃，而琐碎数据却得以保留。
只读检索：检索操作返回事实而不更新记忆状态。因此，频繁访问的信息不会获得“显著性”或免受遗忘的保护，而是与陈旧内容同等竞争。

本文认为，这些并非实现缺陷，而是将记忆视为记录集合的结构局限性。长期记忆的正确性是状态轨迹（记忆随时间演变的方式）的属性，而非单个记录正确性的属性。

2. 方法论：受控演进记忆 (GEM)

作者提出了受控演进记忆 (GEM)，这是一种新的数据管理抽象，将重点从记录级操作转移到状态级算子。

2.1 GEM 抽象

记忆在时间 $t$ 被形式化为全局状态 $M_t = (D_t, S_t, P_t)$ ：

$D_t$ （内容）：语义单元（例如主题），持有值历史和显著性信号，而非孤立的记录。
$S_t$ （结构）：通过类型化边连接语义单元的结构组织（例如，用于依赖传播的“扩展”边，用于上下文的“关联”边）。
$P_t$ （策略）：声明式规则 $\langle \text{事件}, \text{条件}, \text{动作} \rangle$ ，规范状态允许如何变化。

2.2 状态级算子

GEM 用四个在策略约束下作用于全局状态的算子取代了 CRUD：

摄入 (Ingestion)：将新输入整合到现有的语义单元中，追加值历史，而不是创建重复记录。
修订 (Revision)：协调重叠单元，沿类型化边（依赖关系）传播更新，同时保留被取代值的来源。
遗忘 (Forgetting)：根据相关性信号（显著性）而非年龄来调节内容影响。它采用分级衰减阶梯（压缩 $\to$ 隐藏 $\to$ 归档），而非二元删除。
检索 (Retrieval)：一种修改状态的操作，返回输出的同时更新被访问单元的显著性，从而强化重要事实。

2.3 正确性条件

本文定义了六个控制记忆轨迹的正确性条件 (C1–C6)：

C1（查询可靠性）：返回最新的非归档值。
C2（转换可靠性）：确保在修订后，被取代的值不会被作为当前值返回。
C3（依赖一致性）：更新沿类型化边传播到依赖单元。
C4（来源保留）：遗忘和修订保留可达单元的历史链。
C5（有界活跃状态）：活跃内存的大小由策略定义的相关性限制，而不仅仅是容量。
C6（检索诱导的适应）：每次检索都会更新被访问单元的显著性。

2.4 结构观察

作者提出了三个结构观察，证明没有任何记录级系统（无论存储模型如何）能够满足这些条件：

检索：纯函数式检索无法满足 C6（显著性更新），因为修改状态的步骤与查询解耦。
遗忘：如果检索是只读的，基于相关性的保留 (C5) 在 CRUD 引擎上是无法执行的。
摄入/修订：没有语义单元的仅追加存储无法满足 C2（可靠性）或 C3（依赖传播），因为引擎缺乏在共存值之间进行选择或遍历语义依赖的机制。

3. 实现：MemState 原型

为了验证可行性，作者在 Kuzu（一个嵌入式属性图引擎）上构建了 MemState 原型。

数据模型：记忆被表示为“主题”（语义单元）的图。每个主题包含带有值历史（值、时间戳、来源的元组）和嵌入的字段。
算子：
- 摄入：LLM 选择宿主主题并将新值追加到字段历史中。
- 修订：检测冲突并沿“扩展”边传播更改。
- 遗忘：根据显著性分数（访问时上升，未使用时衰减）应用分级衰减。
- 检索：将查询路由到主题，并在同一事务中增加被访问单元的显著性。
策略执行：策略在提交前针对提议的状态转换 ( $M_{t+1}$ ) 进行评估。违反的转换会被中止，从而通过构建确保 C2（转换可靠性）。

4. 结果与发现

可行性：MemState 证明了 GEM 可以通过从通用原语重构字段历史、传播边和策略检查，在商用基础设施（属性图）上实现。
差距识别：原型揭示，虽然 GEM 是可行的，但当前的引擎仅仅是一个“兼容层”。它们缺乏对以下内容的原生支持：
- 用于字段历史的一流双时态属性。
- 附加到模式的传播语义。
- 用于语义相似性和时间谓词的统一索引。
- 统一搜索和显著性更新的“检索即写入”原语。

5. 意义与研究议程

本文将长期智能体记忆重新框架化，不再视为数据库问题，而是由状态轨迹正确性定义的新数据管理工作负载。作者概述了构建该工作负载原生引擎所需的三个具体研究方向：

受控记忆的原生引擎：需要将主题、历史和嵌入共置于页面上；用于语义和时间查询的统一索引；以及将检索视为写入操作的算子。
正确性与评估：呼吁建立“轨迹基准”，测量状态演变 (C2–C6)，而不仅仅是答案级别的召回率。此外，还提出了一种用于冲突解决和约束学习控制器的声明式策略语言。
隐私与多租户：解决了“检索诱导的信息泄露”这一新颖挑战，即在共享记忆实例中，显著性更新可能在租户之间泄露信息；以及在具有来源链的演进状态中实现“可验证的擦除”的困难。

结论：本文得出结论，为了使长期 AI 智能体可靠运行，记忆必须从被动存储层演变为主动的、受控的数据管理工作负载，其中正确性由状态轨迹定义，而非单个记录的完整性。