Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory

背景

随着长期运行的 AI Agent（智能体）应用逐渐从概念走向落地，持久化记忆（Persistent Memory）已成为其核心基础设施。记忆不仅支持跨会话的学习与能力积累，还能显著减少重复上下文注入带来的计算开销，并为过往决策提供审计追踪能力。

然而，当前的 Agent 记忆系统与主流数据库范式存在根本性的错位。现有的系统大多将记忆简单视为一种“存储”行为，其正确性（Correctness）被局限在记录（Records）、嵌入向量（Embeddings）或图边（Edges）等微观层面。这种基于记录级的处理方式，仅能提供长期记忆所需的部分功能，导致在实际应用中频繁出现四类典型故障模式：

1. 无节制增长：数据无限累积，缺乏有效的生命周期管理。
2. 语义修订缺失：当事实更新或认知修正时，系统无法有效处理旧信息的覆盖或修正。
3. 容量驱动的遗忘：遗忘机制仅由存储空间限制触发，而非基于语义重要性或时间衰减逻辑。
4. 只读检索：记忆仅用于查询，缺乏对记忆状态本身的演化治理能力。

鉴于此，本文提出长期 Agent 记忆应被视为一种全新的数据管理工作负载（Data-management workload），其正确性应是状态轨迹（State Trajectory）的属性，而非单个记录的属性。

核心内容

本文重新审视了长期 AI Agent 记忆的数据基础，提出了 受控演化记忆（Governed Evolving Memory, GEM） 的概念框架，并通过原型系统 MemState 验证了其可行性。

1. 从记录级到状态级的范式转移

传统数据库操作聚焦于单条记录的增删改查，而 GEM 框架将记忆视为一个随时间演化的状态集合。为此，GEM 定义了四个状态级算子（State-level Operators），取代了传统的记录级操作：

• 摄入（Ingestion）：将新信息纳入记忆状态，同时考虑其与现有知识的兼容性。
• 修订（Revision）：当新信息与旧信息冲突或补充时，对记忆状态进行语义层面的修正，而非简单的覆盖。
• 遗忘（Forgetting）：基于语义重要性、时间衰减或冗余度，主动从记忆状态中移除过时或低价值信息，而非仅因容量不足而被动删除。
• 检索（Retrieval）：从当前的记忆状态中提取相关信息，支持推理和决策。

2. 六大正确性条件

GEM 框架确立了六个正确性条件，用于规范记忆状态如何随时间演化。这些条件确保了记忆在长期运行中的一致性、连贯性和有效性。虽然原文未逐一列举这六个条件的具体名称，但其核心逻辑在于约束状态轨迹的合法性，确保记忆系统能够像人类记忆一样进行合理的保留、修正和遗忘。

3. 记录级系统的局限性证明

文章通过三个结构性观察（Structural Observations）论证了无论采用何种存储模型（如关系型、向量数据库或图数据库），基于记录级操作的系统都无法满足上述六个正确性条件。这是因为记录级系统缺乏对“状态轨迹”的全局视角，无法处理跨记录的语义依赖和演化约束。

4. MemState 原型实现

为了验证 GEM 抽象的可行性，作者实现了原型系统 MemState，其后端基于属性图（Property-graph）技术。MemState 展示了如何将 GEM 的状态级算子映射到具体的数据存储结构中。实验结果不仅验证了该架构的可行性，还暴露了当前通用数据库引擎在原生支持记忆管理工作负载方面的差距，呼吁开发专门的内存中心型数据管理引擎。

关键要点

• 记忆即工作负载：长期 Agent 记忆不应仅被视为存储，而应作为一种独立的数据管理工作负载进行设计和优化。
• 正确性定义的重构：记忆系统的正确性取决于整体状态轨迹的合理性，而非单条记录的数据完整性。
• 四大核心算子：GEM 框架用摄入、修订、遗忘和检索四个状态级算子，替代了传统的记录级 CRUD 操作。
• 现有系统的缺陷：当前基于记录或向量的记忆系统无法解决无节制增长、语义修订缺失、容量驱动遗忘和只读检索这四大痛点。
• 理论证明：通过结构性观察证明，任何仅基于记录级操作的系统，无论底层存储如何优化，都无法满足长期记忆所需的正确性条件。
• 原型验证：MemState 原型系统基于属性图后端实现了 GEM 抽象，证明了该理论框架的工程可行性，并指出了构建原生记忆引擎的必要性。

意义与影响

这篇来自 arXiv cs.AI 的论文（提交于 2026 年 5 月 25 日，注：原文日期可能为未来预测或笔误，此处忠实引用原文）对 AI Agent 的基础设施层提出了深刻的批判与重构建议。

首先，它打破了将数据库直接等同于 Agent 记忆的惯性思维。许多现有方案简单地使用向量数据库或 KV 存储来保存 Agent 的历史对话或知识，但这忽略了记忆作为一个动态演化系统的本质。GEM 框架为构建更智能、更可控的长期记忆系统提供了理论基础。

其次，它指出了数据管理领域的一个新研究方向：以记忆为中心的数据管理（Memory-centric Data Management）。随着 Agent 应用的普及，传统的数据库引擎需要演进，以支持状态级的语义操作和演化治理。MemState 的原型工作为这一领域提供了早期的工程参考。

最后，对于 AI 开发者而言，理解 GEM 框架有助于在设计 Agent 记忆系统时，从单纯的“存储数据”转向“管理认知状态”，从而构建出更具鲁棒性、可审计性和长期学习能力的智能体。