上一篇文章中，我们讨论了 AI agent 的记忆困境 —— 每次对话结束，所有工作记忆都会消失。我们提出了 Intent-Engine 作为解决方案：在工作的自然断点自动存储关键信息。
但有一个更深层的问题我们没有回答：AI 真的能可靠地"记住"该记的东西吗？
答案是：不能。至少现在不能可靠地做到。
但这不意味着我们就此放弃。工程史上充满了在不可靠基础上构建可靠系统的案例。
存储比检索难得多
在 AI 记忆领域，大多数关注都集中在检索端 —— 更好的向量搜索、更精准的语义匹配。但我们在实践中发现：存储才是真正的瓶颈。
一个 AI agent 在一次工作会话中处理数万个 token。其中真正值得持久化的关键信息，可能只有 5-10 条。每一条都需要过四关：
- 识别：AI 需要意识到"这很重要" —— 但 AI 的这种自我认知能力并不稳定
- 中断：AI 需要停下手头工作去记录 —— 但记录会打断执行流，AI 倾向于"等会再说"
- 表达：AI 需要用恰当的粒度描述 —— 太粗没有价值，太细是噪声
- 执行：AI 需要正确调用记录工具 —— 格式、分类、关联都可能出错
任何一关失败，信息就丢了。而 AI 有一个人类没有的致命弱点：会话结束等于永久失忆。 人类开完会忘了记笔记，三天后还能回忆起大概。AI 的上下文窗口清空后，未存储的信息就永远消失了。
如果重要信息从未被存入，检索做得再好也是零。
在不可靠基础上构建可靠系统
AI 的自我认知能力不稳定 —— 这是事实。但这不应该成为不能稳定交付的借口。
TCP 协议在 1981 年解决了一个类似的问题：如何在不可靠的网络信道上实现可靠通信？答案不是让信道变可靠，而是在不可靠信道之上建立一套闭环控制机制 —— 校验、确认、重传、排序。
同样的思路适用于 AI 记忆存储：
不要指望 AI 每次都能正确判断什么该记住。 而是建立一套系统，在 AI 遗漏时能检测到、在检测到后能补救。
从开环到闭环：
当前大多数 AI 记忆方案是开环的 —— AI 记录了什么就是什么，没记的就丢了。没有验证，没有纠错，没有反馈。
闭环方案长这样：
AI 工作 → 自然断点触发存储 → 验证存储质量 → 下次会话检测遗漏 → 补录 → 反馈调整
每个环节的单次成功率不需要很高。但叠加后，系统级可靠性远超任何单一机制。
三层保障机制
第一层：结构性强制
不依赖 AI 的判断力。工作流本身就在产生记忆。
开始一个任务时，必须写明目标和方法 —— 这就存下了意图。完成任务时，系统自动从工作历史中生成结构化摘要 —— 这就存下了结果。做出选择时，记录工具要求你说明"为什么选 A 不选 B" —— 这就存下了决策逻辑。
这些不依赖 AI "记得去做"。做了就存了。
第二层：交叉验证
存储时不是一次提取就完事。两次独立的审查：
第一次提取关键信息。第二次审查提取结果 —— 有没有遗漏？粒度对不对？"为什么"有没有记录？未来继续这项工作时还需要知道什么？
就像代码审查 —— 写代码的人总会有盲点，审查者往往一眼就能看到遗漏。
第三层：事后补救
即使前两层都没有捕捉到某条信息，还有最后的机会。
下次工作会话开始时，系统对比代码的实际变更和已存储的记录。如果发现了"代码改了但没有对应的决策记录"，就会提醒补录。
上个会话的上下文已经没了没关系。代码变更是客观证据，可以从变更中反推遗漏的决策。
三层叠加后，关键信息的捕获率从约 30% 提升到 90% 以上。不需要完美 —— 需要从"经常丢"变成"偶尔丢"。
提示词作为控制器
有一个更根本的问题：AI 记忆工具是被动的 —— 它只在被调用时运行，看不到 AI 的工作过程。
那真正控制 AI 记录行为的是什么？是系统提示词。
这个认识改变了我们的思路。与其试图让工具变得更智能，不如把系统提示词当作控制论中的"控制器"来优化：
- 控制器：系统提示词中的记忆指令
- 被控对象：AI agent 的记录行为
- 传感器：实际的记录频率和质量
- 反馈：记录率低 → 调整提示词 → 重新评估
校准三件事
什么该记： 不说"记录重要的事情"这种模糊指令。而是给出具体标准 —— 在两个方案中做出选择时必须记录，发现文档未记载的行为时必须记录，推翻之前的假设时必须记录。
什么时候记： 刚做完选择就记，不要"等会再说"。发现意外行为立刻记。改变工作方向之前先记。具体的时机比笼统的"及时记录"有效得多。
怎么记： 必须包含"为什么"。"选了 A" 没有价值；"选了 A 因为 B，不选 C 因为 D" 才有价值。每条记录必须是独立的知识单元 —— 未来不需要上下文就能理解。
用数据驱动优化
提示词的效果不能靠猜，需要量化评估。我们定义了几个可自动计算的指标：
- 覆盖率：有记录的代码变更占总变更的比例
- 频率：每小时的记录次数
- 质量：记录中包含因果解释的比例
跑同一批任务，换不同版本的提示词，比较指标。效果差就针对性调整，再跑一轮。这本质上是一个强化学习循环 —— 以记录行为的质量作为奖励信号，迭代优化提示词。
开放框架的必要性
要实现真正的闭环控制，需要对 agent 的运行循环有完全的控制权：
- 在 agent 每次操作后插入检查点：是否有值得记录的决策？
- 定期审计记录覆盖率：如果低于阈值，注入提醒
- 控制上下文窗口的组装：优先填充与当前任务相关的历史记忆
封闭的 agent 框架做不到这些。这就是为什么我们认为，AI 记忆系统的未来在于开放、可控的 agent 架构 —— 不是因为闭源 agent 不好用，而是因为记忆管理需要深入到 agent loop 的每一层。
写给决策者
AI 记忆不是一个"有了更好"的附加功能。它直接决定了 AI 能否从"一次性助手"升级为"持续协作伙伴"。
如果你的团队正在大规模使用 AI agent，以下是我们的建议：
不要接受"AI 记性不好"作为现状。 网络丢包率曾经也很高，但 TCP 解决了可靠通信。AI 的不可靠记忆同样可以通过系统设计来克服。
关注存储端，而非只关注检索端。 大多数 RAG 方案在优化"如何找到"，但真正的瓶颈是"有没有被存入"。
投资可控的 agent 架构。 黑盒的 agent 框架无法实现记忆管理所需的深度控制。长期来看，开放框架是必须的。
写给研究者
我们在实践中发现了几个有价值但尚未被充分研究的方向：
- 提示词作为控制器的形式化理论：如何将控制论的稳定性分析应用到提示词优化？
- 多层冗余的理论上界：N 层独立验证能将错误率降到多少？
- 存储时机的最优策略：工作流中哪些"自然断点"的存储价值最高？
- 跨 session 的记忆质量评估：如何自动检测"该记但没记"的信息？
AI 的单次推理能力正在快速提升。但外部记忆系统的设计 —— 如何可靠地将重要信息从短期上下文转移到长期存储 —— 仍然是一个被低估的研究方向。
本文是 AI Agent 记忆系列的第二篇。第一篇讨论了记忆困境的本质和两类企业记忆需求。本篇聚焦于如何在不可靠基础上构建可靠的记忆存储系统。
Intent-Engine 是一个开源项目，探索 AI agent 的持久记忆基础设施。如果你对这个方向感兴趣，欢迎关注我们的进展。