AI Agent 不需要记忆，需要的是文档
记忆插件会分析你的对话，生成 1000 个孤立的片段并插入向量数据库。每次你发出提示时，它都会附带相似度最高的 5 个片段；如果代理感到困惑（通常都是如此），它还会手动搜索更多内容。这就是它们所谓的“记忆”产品。
一旦思考你真正要解决的问题，使用这种方法显得颇为怪异。你希望代理理解你的项目，知道某个功能在哪里、为什么构建、你达成了什么共识以及你关注什么。结果，你得到的只是每次提示都注入的一堆 RAG 片段抽奖，祈祷正确的片段能浮出水面。
即便它有时奏效，代理依然无法理解你的项目。整个记忆插件生态都在解决错误的问题。
因为代理不需要记忆，它们需要的是文档。
本质上都是 RAG
市面上所有的记忆插件工作原理都相同：
- 遍历会话记录
- 生成“记忆”片段
- 插入 RAG 数据库
- 每次提示时，检索前 5 条并注入
- 需要更多？给代理一个工具来搜索 RAG 数据库
这就是整套架构。有些工具更花哨，允许代理逐字搜索过往记录；或者实现某种多级记忆系统，区分短期和长期记忆；或者添加一堆后台守护进程来审查、合并或去重记忆。有“做梦者”在夜间重写记忆，还有连续上下文压缩、重排器等，诸如此类。
每个插件都试图通过增加新的消耗 Token 的“功能”来修复底层同一套有缺陷的架构。这就是为什么它们都无法可靠地工作。
召回机制的问题
所有这些记忆插件都存在着一系列共同的痛点。
- 记忆是通过相似度浮出的。 相似度搜索衡量两个片段在嵌入空间中的接近程度，仅此而已。你不知道哪一个是正确的、最新的，或者遗漏了什么。
- 记忆存储时缺乏上下文。 一个 RAG 片段只能包含有限信息。其他一切都会丢失：上下文、动机、教训、环境等等。
- 把过去当作既定事实。这些插件都依赖召回机制，无论是检索聊天记录还是向量数据库。但代码库每天都在变，那些关于认证机制的500段片段，准确率还能有多高？
- 智能体无法检索未知内容。即使你向智能体提供搜索工具，它怎么知道何时该使用？智能体不知道自已不知道什么。
- 存储不可审计。SQLite里存着一万条嵌入向量。哪些记忆存在？哪些已过期？哪些从未被检索过？哪些是错误的且正在暗中影响智能体的行为？
这些只是记忆插件面临的诸多问题中的五个。它们试图修复这些问题却屡屡失败，因为它们都基于同一个假设：
智能体健忘：这才是问题所在。所以解决方案是记住更多。为了记得更好，我们应该捕获更多信息、建立更优索引、实现更智能的检索。
它们的核心论点始终围绕着捕捉和回忆过去。但这并非其他人处理知识的方式。没人会重看三年前的团队会议录像来回忆某个功能的限制条件。人们会把东西写下来，然后使用这些记录。
同理，解决方案并非给智能体一个搜索工具，让它去搜索过去价值千万个Token的对话，拼凑出过往事件的碎片。
真正的解决方案，是基于文档的记忆。
如今，人们利用AI以光速生产产品、功能甚至是低质内容，全程不读也不理解一行代码。在这样的背景下，很容易看出文档正沦为事后补上的内容，尽管它本应比以往任何时候都更重要。
文档优于记忆
人们早就知道智能体需要上下文背景。因此他们发明了AGENTS.md文件：防止智能体盲目地介入代码库。这招很管用。但很多时候，这一个文件就是项目拥有的唯一文档。
单个文件是不够的。智能体需要一个完整的大脑——一个结构化工作区，让它无需指令即可记录指令、规范、决策、调研、索引等任何内容。例如，代码审查流程的说明、记录用户讨论细节的规范、关于外部库或API的可复用调研成果等。
Agent 工作时，可以从大脑里读取文件，获得相关且完整的上下文；工作结束后，趁着全局信息还在上下文里，及时更新过时的内容、补充缺失的文档。这样一来，agentic 循环就从提示 → 构建 → 遗忘变成了提示 → 查阅 → 构建 → 更新。记忆也不再是外挂在 agent 上的 RAG 数据库，而是一个可读、可更新、甚至可以分享的工作区。
实践验证
一年多前刚开始用 AI 写代码时，我就意识到了这个问题。当时我希望 agent 能跨会话记住工作内容，于是建了一个 internal/ 文件夹，让 agent 把所有东西都写进去：规格说明、计划、索引。同时要求它工作前先读相关文档和索引，工作后再更新。
这套简陋的指令慢慢演变成一个正式系统，最终成了一个我一直在所有项目中使用的插件——Operator Memory。
Operator Memory 基于上述模型提供基于文档的记忆能力。它给你的 agent 提供一个 Markdown 大脑，用来持久化重要知识：指令、规格说明、调研笔记、索引。工作前，agent 会先查阅大脑中的相关文档；工作后，agent 会更新大脑——修订过时的文档，补充缺失的文档。
不需要向量数据库，不需要 embeddings，也不需要摘要器、策展器、更新器、做梦器之类的烧 token 后台进程，更没有黑盒检索。
在 Operator 中，一切都是普通的 Markdown 文档，你可以阅读、更新、提交到版本库，还能分享给团队。这套系统我已经用了一年多。想试试的话，它免费开源：https://github.com/aerovato/operator-memory