两个反直觉的事实
聊 AI Agent 的"记忆"，先给你两个反直觉的事实。
第一个：市面上 90% 的人对 Agent 记忆的理解是——"模型记不住？接个向量数据库，把聊过的全塞进去"。这个思路是错的，而且错得很典型。
第二个：据技术圈对 ChatGPT 记忆系统的逆向推测（Karpathy 等人有公开讨论，注意——这不是 OpenAI 官方文档，我们只把它当"业内最认真的猜测"），这个全球最大 AI 产品的记忆架构里，向量数据库根本没有出场。
行业标杆用的是什么？说出来你可能会笑：记账、建档案、写前情提要——一套数据库圈玩了三十年的老手艺。
这是我们「AI 新概念背后的老原理」栏目的第三篇。前两篇说过：Agent 新框架的地基是 40 年前的老配方，git worktree 是老工具等来了新场景。今天这篇的判断是：Agent 的记忆，不是存储问题，是治理问题——而数据治理这本账，数据库圈已经记了三十年。
"外挂硬盘"思路错在哪
先把错误思路解剖清楚。
把记忆理解成"外挂硬盘"的人，衡量记忆能力的标准是"存了多少 G"。但真正的标准应该是："历史"到"当前决策"的通道是否通畅。类比一个真实员工：他的价值不是把公司十年的文件都背下来，而是遇到具体问题时，能从历史里精准提出最有用的那份证据。
纯向量数据库做记忆，有两个致命缺陷：
缺陷一：模糊匹配干不了精确活。 一个买车 Agent 需要确认用户预算。向量库的做法是从历史对话里扒一堆和"预算""钱"相关的长篇大论，扔给模型自己猜——啰嗦且易错。正确做法朴素得多：结构化字段 User_Budget = 8万，要用的时候直接查，一击命中。
缺陷二：时间盲区。 用户昨天说"预算 5 万"，今天说"涨到 8 万"。向量库相当于把两张纸条扔进同一个箱子，模型抓出来分不清先后——它可能拿着 5 万的旧纸条，给用户推荐错一整个价位段的车。
记住这两个缺陷，因为下面两道"老配方"正好一一对症。
老配方一：银行的账本
生产级的 Agent 记忆系统，核心是三件套——Ledger（账本）、Views（视图）、Policy（策略）。
每一件都是老朋友：
- Ledger（原始账本）：append-only、只增不改，记录所有读写动作。这就是银行流水——银行从不"修改"你的余额，只往流水里追加一笔笔交易，余额是流水算出来的结果。数据库圈的近亲叫 binlog / CDC。
- Views（派生视图）：把死板的底层数据转成模型能直接用的形态——知识图谱、时间线、用户小传。这就是数据库的物化视图：底层一张流水表，上层按需要投影出各种好用的"看法"。
- Policy（控制策略）：系统的大脑，决定何时查资料、何时记一笔、何时主动遗忘。这就是数据库的调度器。
三件套里最容易被忽视、又最致命的是 Policy——没有它，记忆系统会在几天内变成一个"巨大的数据垃圾场"：什么都记，什么都检索，什么都舍不得删，最后什么都找不到。
注意这个结构对缺陷一的回应：明确的业务属性（预算、偏好、身份）进结构化档案，模糊的对话上下文才走摘要——分层，而不是一锅端。
老配方二：数仓的拉链表
再看缺陷二——时间盲区。这个问题有个专门的解法，叫双时态（bi-temporal）：给每条记忆同时打两个时间戳——Valid Time（这件事在现实世界里何时生效）和 Transaction Time（这条记录何时被写进系统）。
用一个经典案例看它怎么工作。系统记录"张三是 A 公司总监"，半年后张三跳槽去了 B 公司：
- ❌ 留两条记录但不区分 → 模型把"过去事实"当"当下真相"，幻觉
- ❌ 直接删旧记录 → Agent 失忆，"张三去年在哪"答不出来
- ✅ 双时态：两条记录各带生效区间。问"张三现在在哪"→ 取生效中的那条 → B 公司；问"张三去年在哪"→ 取覆盖去年的那条 → A 公司
现在揭底：这套机制不是 AI 时代的发明。它在数据仓库领域以 SCD（缓变维） 的名字存在了三十多年，Kimball 在《The Data Warehouse Toolkit》里写成了教科书分类——其中 SCD Type 6，俗称拉链表，和 bi-temporal 几乎一一对应：数仓叫 Effective Date / Expiration Date，Agent 圈叫 Valid Time。
换句话说：今天 Agent 记忆圈最前沿的"时间感"方案，是数仓工程师三十年来每天都在维护的东西——只是换了个英文名，又火了一次。
标杆的克制：ChatGPT 的四层记忆
回头看开头那个反直觉事实。技术圈推测的 ChatGPT 记忆架构一共四层（再次强调：逆向推测，非官方）：会话元数据（时区、设备，用完即弃）→ 用户结构化档案卡（职业、偏好、预算，JSON 表格，随时覆盖更新）→ 近期对话摘要（像美剧的"前情提要"，不存原文）→ 滑动窗口（当前上下文，超限就丢最老的）。
这套架构最值得学的不是任何一层的技术，而是整体的克制：明确的走档案，模糊的走摘要，过期的果断丢弃——每一层都在做"该记什么、不该记什么"的治理决策，而不是无脑存储。
这也解释了为什么"接个向量库"的方案总让人失望：它把治理问题当成了存储问题来解。
收尾：这本账，数据人记了三十年
把三段合起来看：账本（Ledger ↔ 银行流水/CDC）、拉链表（bi-temporal ↔ SCD）、分层治理（四层架构 ↔ 数据分层）——Agent 记忆的每一块核心拼图，都能在数据工程的旧世界里找到原型。甚至"元数据管理"这门数据治理的老学问，和三件套的对应关系也严丝合缝。
这是本栏目的判断第三次得到验证：AI 时代的"新"，多数不是发明，而是旧答案与新问题的重新匹配。
最后给一个可能被忽略的推论。如果你是数据仓库、数据治理背景的工程师——那些你以为在 AI 时代"过时"了的手艺：SCD、CDC、元数据管理、分层建模——正在 Agent 基础设施圈被重新发明、重新定价。你不缺新技能，你缺的可能只是一次"旧手艺、新战场"的翻译。 这个话题值得单独写一篇，先按下不表。
评论