Oracle发布面向长周期AI智能体的企业内存基座
速览
Oracle Agent Memory 是一种基于Oracle数据库构建的企业级内存基座，专为长周期AI智能体设计。它通过完整的记忆生命周期管理（包括提取、整合、检索、总结和修订），解决了长期任务状态保留、跨会话用户偏好恢复等系统问题。该架构将主动记忆核心与被动存储接口分离，并支持用户、智能体和线程级别的显式范围控制。在LongMemEval评测中达到93.8%准确率，相比扁平历史基线使用约10.7倍更少的token，为AI智能体的持久化记忆提供了高效的企业级解决方案。
AI 深度解读
背景
随着大语言模型（LLM）驱动的 AI Agent 从短期对话向长期、多轮交互任务演进，Agent 记忆（Agent Memory）逐渐成为系统层面的关键瓶颈。长期运行的 Agent 面临三个核心挑战：在跨扩展对话中保持任务状态的一致性、跨会话恢复用户特定的事实与偏好、以及从先前的执行结果中积累过程性知识。传统的文档检索方法无法满足这些需求——一个真正的记忆层必须能够判断哪些交互应转化为持久状态、如何限定该状态的范围、如何在延迟约束下高效检索，以及如何随时间推移进行修订或移除。
在此背景下，Oracle 提出了一种全新的方案：Oracle Agent Memory——一种基于 Oracle 数据库（Oracle Database）构建的、数据库原生的记忆基础设施。该方案旨在为长期 Horizon 的 AI Agent 提供一个企业级的记忆基板（Memory Substrate），使 Agent 能够像数据库管理数据一样管理自身的交互历史与知识积累。
核心内容
本文（arXiv cs.AI，2026 年 7 月提交）系统研究了 Oracle Agent Memory 作为企业级记忆基板的设计理念、架构和评估方法。全文围绕三个核心主题展开：
-
记忆的生命周期：将记忆视为一个完整的生命周期过程，涵盖六个阶段——摄取（Ingestion）、提取（Extraction）、整合（Consolidation）、检索（Retrieval）、总结（Summarization） 以及修订或移除（Revision or Removal）。每个阶段都有对应的数据库原生操作，确保记忆从产生到消亡的全程可控、可追溯。
-
分层架构：采用主动记忆核心（Active Memory Core） 与被动记忆存储接口（Passive Memory-Store Interface） 分离的架构。主动记忆核心负责实时交互中的记忆读写与决策，而被动存储接口则提供持久化的、可查询的记忆库。架构中引入了显式作用域控制（Explicit Scope Control），允许记忆根据用户（user）、Agent（agent）和线程（thread）三个维度进行精确的范围限定，避免跨域污染。
-
评估方法论：除了传统的下游任务准确率（如 LongMemEval 达到 93.8%），研究还引入了以记忆为中心的评价指标，包括证据检索（Evidence Retrieval）、召回率（Recall）、延迟（Latency） 和预估 Token 使用量（Estimated Token Use）。这些指标能够更直接地衡量记忆系统的实际性能。与平历史基线（flat-history baseline）的对比显示，Oracle Agent Memory 在使用约 10.7 倍更少的 Token 的情况下达到同等或更优的任务准确率。同时，论文也与已发表或报告的基线结果进行了横向比较。
论文最后附有实现导向的附录材料，涵盖设置指南、线程生命周期管理以及搜索语义说明，为工程落地提供了具体指导。
关键要点
- 记忆即生命周期：Oracle Agent Memory 将记忆视为一个从摄取到移除的完整闭环，每个阶段都可利用数据库的事务、索引和版本控制能力。
- 数据库原生 vs. 外部缓存：与在外部向量数据库或缓存中存储记忆的做法不同，本方案直接以 Oracle Database 作为底层存储，利用其成熟的企业级能力（ACID、并发控制、安全、备份恢复）。
- 分层架构提供灵活性与隔离：主动核心与被动接口分离，显式作用域（user/agent/thread）使得记忆不会在不同会话或不同 Agent 之间意外泄露，适用于多租户企业场景。
- Token 效率显著：相比将所有历史作为纯文本输入到 LLM 的平历史基线，Oracle Agent Memory 通过结构化的记忆管理将 Token 消耗降低约 10.7 倍，大幅节省推理成本。
- 综合评估框架：不仅看任务准确率（93.8%），还加入证据检索、召回、延迟等记忆专用指标，使评估结果更具工程参考价值。
- 与外部基线可比：论文公开了与已有研究（如 LongMemEval 等）的对比结果，为社区提供了清晰的性能参考。
意义与影响
Oracle Agent Memory 的提出标志着 AI Agent 记忆正在从“附加特性”向“系统基础设施”转变。其最大意义在于将记忆问题重新定义为数据库问题，而非单纯的 LLM 提示工程问题。通过将记忆的生命周期与数据库的原生能力（持久化、索引、事务、分片）深度耦合，企业可以获得以下关键收益：
- 可靠性：数据库级别的 ACID 保证，避免记忆丢失或不一致。
- 可扩展性：借助 Oracle Database 的分布式能力，支撑大规模 Agent 部署。
- 安全与合规：利用数据库的访问控制、审计日志等功能，满足企业级数据治理要求。
- 成本优化：极低的 Token 开销直接影响推理费用，使长期运行的 Agent 在经济上可行。
此外，该方案引入的“以记忆为中心的评估指标”有望成为 Agent 记忆系统的标准评价维度，推动社区从单纯追求任务准确率转向更全面的系统性能考量。对于希望在生产环境中部署长期运行 AI Agent 的企业而言，Oracle Agent Memory 提供了一个经过实战验证的、数据库原生的最佳实践。