AI智能體的記憶革命：UIUC等頂尖團隊破解「文件系統記憶」的五個反直覺真相

• 文件系統記憶（如 Markdown 目錄樹）是目前業界部署 AI Agent 的主流長期記憶方案，但學術界首次對其進行了系統性拆解與嚴格評測。 • 實驗發現，結構化整理記憶的核心收益是大幅降低檢索成本（在大數據量下可將查詢費用砍半），但並不等同於能提昇回答的準確度。 • 決定記憶庫形態的主因是管理模型的性格而非數據規模，且工具集的更換對記憶結構的重塑力道不亞於直接更換模型。 • 動態記憶累積證明了記憶庫會越用越有用，能在一定程度上補償執行 Agent 能力的不足，但隨規模擴大，維持分類體系整潔仍是一大挑戰。

「整理記憶買到的是『查得快』，而不是『答得準』，最優策略取決於原始材料與消費對象。」 • 工程實務上應避免迷信盲目整理，需針對不同任務特性與模型能力來設計專屬的記憶讀寫工具與檢索策略。