AI Agent 越用越笨？2026年必须做的记忆遗忘机制

每个做长期 Agent 的团队都踩过同一个坑：上线第一周很聪明，第三周开始犯轴，第六周重复犯早就纠正过的错。大家的反应通常是”模型退化了”，然后换更大的模型——钱花了，问题照旧。

真正的原因不在模型，在记忆。你把所有东西都记下来，等于把所有错误也记下来了。

一、记忆膨胀的三种症状

过时事实压过当前事实：用户一个月前说用 AWS，后来已迁阿里云。两条都在库里时，返回哪条很大程度看时间戳权重。老记录被召回，Agent 就会自信地给出过时答案。

中间过程污染结论：探索阶段的推测、失败的尝试、被否定的假设如果进了长期记忆，后续每轮都会被这些噪音影响。这种污染最隐蔽——推理链完全合理，只是前提已被推翻。

上下文被记忆吃掉：每轮先塞 8000 token 历史再思考，可用上下文越来越少、延迟越来越高，而有效信息占比不到 10%。

二、分层：把记忆拆成四层

层级	存什么	生命周期	淘汰策略
工作记忆	当前任务、工具结果	单次会话	结束即丢弃，只留摘要
情景记忆	事件、对话片段	数天到数周	按引用次数衰减，低频删除
语义记忆	事实、偏好、约束	长期	冲突即替换，带有效期
程序记忆	成功操作路径	长期	成功率低则降权

关键点：只有后两层值得长期保存。多数”Agent 变笨”的案例，都是把工作记忆和情景记忆原封不动塞进了向量库。

三、四个必须实现的机制

1. 冲突检测与覆盖。写入新事实前先检索同一主体的现有记忆。矛盾时按”新覆盖旧、用户陈述覆盖模型推断”替换，旧记录标记 superseded 而非物理删除。

2. 时间衰减与引用加权。每条记忆带 last_used_at 和 use_count，检索打分改为：

score = 相似度×0.6 + 时效性×0.25 + 引用频次×0.15

时效性用指数衰减，半衰期按领域定——用户偏好 30 天，项目状态 7 天。

3. 类型白名单。只允许四类内容进长期记忆：用户偏好、硬约束（预算/合规/技术栈）、已确认决策、稳定实体关系。

禁止：中间推理、模型猜测、一次性参数、情绪化表达。这条不能只写进 prompt，必须在写入侧做结构化校验。

4. 定期整理。像睡眠一样，每周跑一次离线任务：把同一项目的 20 条零散记忆摘要成 3 条结论，删原文、留溯源指针。实测能把语义记忆体积压到 20%，检索准确率反而上升。

四、怎么验证有效

三个指标，别靠感觉：

• 记忆命中率：注入的记忆中被实际引用的比例。低于 30% 说明注入太多。
• 过时答案率：抽查 100 条回答，看是否引用已推翻的事实。
• 记忆库增长率：健康的 Agent 记忆库应趋于稳态。跑满三个月，条目数应稳定在首月的 1.5 倍内；涨了 10 倍说明你只是在归档。

小结

记忆系统的难点从来不是”怎么记住”，而是”怎么忘”。分层、设有效期、允许覆盖、定期整理——四件事做完，同一个模型的表现肉眼可见地提升，成本不增反降。

下次 Agent 开始犯轴，先别换模型，先翻翻它的记忆库存了什么脏东西。