单库向量检索，为什么到顶了
过去做智能体记忆，多数团队的本能反应是「把对话摘要塞进向量库，需要时语义检索」。这套做法对简单事实问答够用，但长程智能体跑起来就露怯：它要记的不只是「说过什么」，还有「什么随时间变了」「谁和谁有关联」「哪些是已经坐实的事实」。把这几类信息硬塞进同一个向量空间，检索既抓不准时间顺序，也答不好关系问题，还会在数据库变大后因为噪声过多而拖垮推理、抬高成本。2026 年下半年，几篇记忆论文不约而同地把矛头指向这个单结构假设。
Agent Zero Memory：三段并行，每条事实带溯源
8 月 30 日，Ming Wu 与 Pengyuan Zhu 在 arXiv 提交 Agent Zero Memory（编号 2608.29606）。它的核心赌注是：记忆不该是一个通用仓库，而该是三段并行、各司其职的结构——情景记忆记事件时间线、关联记忆用实体事件知识图连人连项目、语义记忆存经过审定锁引的稳事实。检索经意图门、来源路由与多次智能体搜索组合完成。更关键的设计约束是：每条被记住的事实都必须带着来源、时间戳与证据指针；系统宁可 abstain（拒答），也不编一个查无实据的答案。论文在 LongMemEval 拿到 95.60%、在 LoCoMo 拿到 93.60%，并对八个不同模型骨干做成本分析：准确率只差 3.4 个点，而单次查询成本差约 30 倍。
这个「溯源优先」思路点中的是长程智能体更致命的失败模式：一个被说过一次、却无从查证的断言，会被记忆系统当成既成事实反复引用。把拒答做成一等公民，比单纯追召回率更贴近生产需要——因为基准测不出「智能体自信地依据假记忆行动」的真实代价。
MRAgent：把检索嵌进推理循环
新加坡国立大学团队提出 MRAgent，走的是另一条路：主动记忆重建。它不采用「先一次性向量检索、再把块喂给模型」的被动管线，而是把记忆检索直接嵌进语言模型的推理循环——智能体随着证据积累，逐步构建并精炼自己的上下文。论文称在复杂推理任务上带来最高 23% 的提升，同时大幅削减 token 消耗与运营成本。其灵感来自人类记忆重建：回想不是整文件下载，而是从微小线索出发、沿关联一步步找回并校验。对跨多个迭代的软件调试、跨年度的财务审计这类证据分散的场景，主动重建比一次性相似度匹配更能把断裂的事实连起来。
MEMTIER：分层巩固，高频事实晋级语义层
MEMTIER（Sidik 与 Rokach，2026）给出第三种答案：分层巩固。它用一个只追加的情景 JSONL 存原始观测、工具调用与结果，再跑一个异步巩固守护进程——当某条记忆被跨多个不相关触发反复检索时，把它提升进更小的语义层。语义层不是预先填满的，只积累被观察为「已泛化」的条目。配套的五一加权检索（相关性、时效、结果、频率、结构兼容）与基于注意权重的认知权重环，让高价值稳事实不必每次都和上千条原始观测竞争。论文在 LongMemEval-S 上用 Qwen2.5-7B 报告 38.2% 准确率，比全上下文基线高 33 个点，且只需 6GB 消费级显卡。需要提醒的是，基线很弱，真实相对一个调好的 RAG 系统的优势没标题那么夸张；论文仍是预印本、未被复现，架构可信、数字需谨慎。
三条路线合起来回答了什么
把这三篇放在一起看，方向是一致的：记忆从「一个能搜的库」变成「多结构协同的系统」。Agent Zero Memory 解决「记错怎么办」——用溯源与拒答把幻觉挡在门外；MRAgent 解决「一次检索不够」——用主动重建在推理中逐步找回；MEMTIER 解决「库变大就稀释」——用分层巩固把高频事实提权。三者分别补强了可信度、召回质量与规模效率，恰好覆盖长程智能体记忆的三道坎。
落地取舍：何时上框架，何时自己写
对工程团队，共识很实用：任务窗口超过一两天、且任务结构反复出现，分层与巩固才划算；会话短、规模小，一个带嵌入索引的扁平 JSONL 加周期性摘要就够。记忆条目该有生命周期而非单一当前值——被取代的旧事实留着审计、标记当前状态、写明「为什么新事实覆盖旧事实」。需要跨租户隔离时，语义层天然适合放溯源与剪枝策略。多数团队不必从零造轮子：Mem0、Letta、Zep 这类记忆框架已覆盖抽取、去重、对账的大部分工作；只有当对账与去重逻辑开始吃掉大量工时，才值得自研。
结语
2026 年的智能体记忆研究，正把「能检索」推向「能溯源、能重建、能分层」。Agent Zero Memory 用溯源把可信度钉死，MRAgent 用主动重建把召回质量拉高，MEMTIER 用分层巩固把规模效率做出来。对正在把智能体铺进生产的团队，记忆不再是「接个向量库」那么简单，而是一块需要按窗口长度、任务重复度与隔离要求认真设计的系统工程。先把生命周期与溯源写进默认模板，再谈框架选型。