会检索，不等于会学习：Agent 记忆该测下次能不能更好

很多团队把记忆做成「能搜到以前说过的话」，就宣布 Agent 有长期记忆了。FrontierMemory、PraxisMemBench 一类评测在提醒另一件事：记得住，不等于下次能做得更好；个人事实和做事流程如果各管各的，持久助手会在后半程越跑越乱。

一、检索式记忆的天花板

向量召回解决的是「过去有没有类似内容」。它不保证：

• 这条记忆是否仍然正确
• 是否该变成可复用的做事方式
• 换一个相关任务时，Agent 会不会主动用上它

所以只测「问一句旧事实能不能答对」，会高估记忆系统。真正难的是经验迁移：上次踩过的坑，这次是否少踩。

同一模型换不同 harness，记忆相关分数也能拉开很大——说明记忆效果不只取决于模型，还取决于写入、整理、注入时机这些壳层机制。

二、个人记忆和程序记忆要一起演化

持久助手至少需要两类记忆：

• 个人记忆：服务谁、偏好是什么、边界在哪里
• 程序记忆：这类事通常怎么做、哪些步骤可复用

关键在于它们相互约束。用户偏好决定哪套流程适用；流程执行又会改写对用户的理解。评测里如果只维护其中一类，后半程依赖两类记忆的任务完成率会掉一截——分开维护看起来都对，合在一起却接不上。

三、写对了还不够，还要养得住

另一类失败更隐蔽：早期能写出正确记忆，会话一长，组织和关系却漂了。关系类错误会随交互变多而上升。

这说明记忆管理不只是写入，还包括：冲突怎么合并、过期怎么淘汰、结构怎么保持可检索。写进去却找不到，或找到过期版，等于没记。

四、Harness 层该补的最小能力

1. 区分事实与流程：事实可编辑，流程要有触发条件与验收
2. 写入带来源：哪次确认、哪个产物，没有来源的优先级更低
3. 测迁移，不只测问答：同样任务族的第二次是否更稳、更省
4. 定期整理：合并冲突、删除失效、检查能否被后续任务命中

文件型记忆仍然很适合做操作面；但文件里写什么、怎么维护，决定了它是笔记本还是会学习的资产。

结语

检索解决「找得到」；学习要求「用得上、改得对、养得住」。评估 Agent 记忆时，少问它还记不记得昨天，多问它今天会不会因此少走弯路。