如何看待 Agent 记忆？

这段时间我一直在研究 Agent，也顺手把自己对记忆这件事的看法记下来。

我的判断不复杂：只有在它确实能省掉重复劳动的时候，记忆才值得引入。它不是所有 agent 默认都该有的配置。

memory 是个老生常谈的话题，但最近又被 openclaw 推到了一个新高度。很多人会下意识觉得，一个智能体就应该有记忆。可在我看来，这恰好是第一个误区。

如果一个没有记忆的 agent 也已经能满足你的日常需求，那它当然是成立的。记忆不是默认刚需。

记忆真正改变了什么

第一件事：把分散的对话连起来

我们和 agent 的每次对话，通常都是由一问一答组成的。

每次新对话开始，都会产生一个新的“扣子”。而 MEMORY.md 做的事情，就像是用一根线把这些扣子串起来。这样一来，当你在新的对话里重新提起某个线头时，另一个对话里曾经产生的关键信息也能被带出来。

第二件事：少做重复初始化

为什么要做这件事？

因为如果没有记忆，你和模型的每次对话几乎都要从 0 开始。你们之间总会有一个重复初始化的过程，而这个过程对人来说，往往就是把已经说过很多次的 prompt 再输入一遍。

这件事谈不上高级，只是很烦。记忆能做的，就是把这部分重复劳动拿掉。

所以，只有当你真的需要跨会话串联信息时，你才真正需要记忆。否则，一个 chatbot 很多时候就已经够用了。

自动记忆的问题，主要出在哪

最近我在用 openclaw。它的底层架构基于 Claude Code，所以你在 Claude Code 的项目目录里，也能看到 MEMORY.md 这个文件。

openclaw 的卖点很明确，就是尽量把记忆自动化。但实际用下来，我觉得体验还不够稳，主要是两个问题：

• 不稳定
• 写得太多，也太杂

不稳定

这里说的不稳定，是相对而言的。

如果你在 prompt 里明确写出“记住：”或者 remember: 之类的指令，那么现在 SOTA 榜上的 agent 基本都能照做。

但如果你没有明确要求，它到底会不会记、记成什么样，就没那么确定了。

太多、太杂

openclaw 会先把每天的内容写进 memory，再整理进 MEMORY.md。

这件事的问题在于，如果你没有事先定义清楚“什么该记，什么不该记”，那么过一段时间之后，MEMORY.md 很容易变得又乱又长。结果就是：

• 额外的上下文占用
• 更高的上下文污染风险
• 真正重要的信息反而被噪音盖住

我真正关心的两个问题

说到底，我们真正该反复追问的是下面这两个问题：

• 我是否真的需要自动记忆？
• 我真正要记住的，到底是什么？

对我自己来说，自动记忆不是刚需。

如果未来有人能把这两个问题处理干净，我会很愿意用。谁不想有一个自己的 Jarvis。

我对“什么值得记忆”和“什么时候该记”本来就有比较清楚的判断，所以我并不排斥手动触发的精准记忆。

对我来说，对 agent 的控制感，始终要大于自动化本身。

所以我现在的做法是：

1. 做了一个 session-reflect skill，对需要沉淀的 session 做深度复盘
2. 输出“发现的问题”“学到的教训”“如何改进”
3. 将这些真正有价值的内容写入 MEMORY.md

需要的时候手动触发一次，成本其实不高。换回来的是更干净的内容，更少的噪音，也更强的控制感。

记忆怎么处理，最后还是要回到具体场景。

如果你做的是陪伴型 agent，自动记忆几乎就是产品的一部分。可即便如此，前面那两个问题也躲不过去。真正能拉开差距的，通常不是“有记忆”这件事本身，而是你怎么筛、怎么写、怎么维护这份记忆。