“To think is to forget a difference, to generalize, to abstract.”

思者，略其异，统其类，取其理也。

—— 博尔赫斯，《博闻强记的富内斯》 ^[1]

楔子（其一）：一本小说

前两天，兹拉坦读了一部超短篇小说 ——《博闻强记的富内斯》。

小说的主角富内斯是一位乌拉圭青年，一次坠马让他瘫痪在床，却也让他获得了过目不忘的本领：看过的云、树叶的形状，都能分毫不差地留在记忆里。

他甚至还试过完整地重温一天的经历，但是每次重温，也得花掉整整一天。然后，富内斯发现这份天赋渐渐变得可怕，因为他能够记住惊人的细节，却很难从细节中进行归纳，并抽离出一些概念和经验。

这本小说的厉害之处，是把“无限记忆”这种在我学生时期最希望获得的超能力，写出了令人窒息的感觉。因为过量的记忆，严重影响了富内斯的“思考”和生活。

最后，小说还对“思考”这种的动作，下了个定义 —— 放下细节，归纳共性，作出抽象（总结经验）。

楔子（其二）：两则新闻

1. 前几天，Kimi K3.1 Pro 发布 ^[2]，支持把模型的上下文窗口开到 100 万 Token。

2. 依然是前几天，业界的学者提出了一个“大模型原生记忆”的概念。简单来说，就是通过你和模型的对话记录，实时更新你正在使用的模型，而非依赖外部记忆检索。

百万上下文 == Agent 无需记忆 & 检索？

最近，Humanize MLE Agents 的研究者们 ^[3]在机器学习工程任务里发现，让一个 Agent 在单个会话里进行多个实验，越往后的实验，成绩就会越差。这是一个值得玩味的结论。

然后，这群研究者们就开始去研究了一个新课题 —— 如果把在一个 Agent 中进行的长程任务拆分成多个步骤，然后在多个 Agent 中进行接力，效果会变的更好还是更差？

他们让两个 Agent 共用一个工作区，每段会话最多完成 5 个实验，随后交接。新会话重置上下文，已经写下的代码、训练出的模型和实验结果继续保留。最后还留出 15 分钟，复核此前的候选方案，选择最终结果。

研究用 75 项 MLE-bench 任务做了测试，每项限时六小时，各配置重复三次。最好的交替配置平均有 78.2% 的实验任务的结果达到标准门槛，最强单 Agent 只有 72.4%。

这是一个极其有意思的结果。长程任务因而也多了一种值得尝试的安排：一个会话完成一段可以检查的工作，留下成果之后，再让下一段会话接着做。

其实，更常见的场景是，即使没有主动排班，做到一半，某种 Coding Agent 的订阅额度被提前耗尽，不得不临时改用另一个 Agent 接手，继续完成被撂挑子的工作。

总之，之前人与人之间的工作交接，现在会逐步演变成会话间或者 Agent 间的工作交接。只要有交接，就依然需要所谓的“交接文档”，单个 Agent 的百万上下文解决不了这个绕不开的问题。

因此，跨会话 / 跨 Agent 的上下文管理（和交接），值得更精细的设计。

比如：代码和测试产物需要留下来，当前目标与有效约束也得有人维护。除此以外，前任 Agent 已经碰过的壁，也得要交代清楚。一个办法为什么没走通，在哪个环境里失败，有什么结果支持这个判断，都会影响下一轮探索。只存“方案不可行”几个字，下一位 Agent 依旧很难完全绕开它。

交出去的材料还要有轻重。新会话先拿到当前目标、已验证的进展和待查的问题，足够开始工作；需要追根究底时，再沿着引用查回原始讨论、日志与测试结果。这样留下来的成果，才有机会跨过一次会话的结束，成为下一次工作的起点。

上下文容量扩张本身，不能替 Agent 完成这些上下文管理和交接的职责。 当长窗口让 Agent 接手更长、更多人参与的长程任务时，状态变更和交接的次数也必然会增加，这时，管理上下文的价值也就变的更大了。

百万上下文时代，仍要按需检索？

斯威夫特写道，小人国的皇帝能看出钟表分针的走动；而富内斯能连续不断地看到朽坏、腐烂和疲劳那静悄悄的进程。他能记下死亡和受潮的演变推进。他是世界的旁观者，孤独而清醒无比；世界在他眼中形态万千，每一瞬间都一览无余，精确明晰得几乎难以忍受。

—— 《博闻强记的富内斯》

在论文 《Retrieval Augmented Generation or Long-Context LLMs? 》 ^[4]的比较研究中，在资源极其充足时，长上下文在所测模型与任务上的平均表现会高于朴素 RAG， 然而后者，则有着明显的成本优势和更高的检索效率。

可 Agent 面对的，常常是上千份工单、多个版本的设计文档，以及每天新增的执行记录。比如：查支付服务 2.0 的超时问题，相关的可能只是这个版本的几份工单和测试结果。即使上下文什么都装得下，也没必要浪费 token 去每轮都从头读一遍完全无关的东西。

最佳实践，自然是把这些资料存入数据库，每轮根据任务取用：先按项目、版本等条件做结构化过滤，对错误码、函数名和配置项做精确匹配或全文检索，再用向量检索补充那些换了说法、却在讨论相近问题的记录。模型拿到相关原文后，仍可以用长上下文做综合分析，需要时继续查找。

对要反复查资料、持续接收新记录的 Agent 而言，按需检索仍是兼顾效率和费用的重要办法。

支持结构化过滤、全文和向量检索的 AI 原生数据库（AI Native Database），也就有了具体的用武之地：在同一套查询体系里，把适用版本、报错原文和语义线索结合起来，为 Agent 找到相关资料，并保留回查原文的入口。Agent 接手的任务越依赖外部信息，这套数据存取能力就越重要。

大模型原生记忆？这又是啥玩意儿？

前文简单提了一句“大模型原生记忆”的新闻。

如果说长上下文让模型同时看见更多材料，原生记忆就在探索另一种办法：让先前的信息，成为模型后续计算可以直接利用的内部状态。

MemTensor 推出的 MemT-1.0 ^[5]大概就是这么一条路线 —— 它把交互信息写入可更新的数值记忆状态，生成时通过记忆机制读取。在线写入依靠前向计算更新状态，训练好的读写参数保持固定。论文MemT 论文的编码实验 ^[6]展示了这条路线的可行性。但在实验里，有不少场景下，相比原生记忆，反倒是外部结构化存储经验的表现更好。

这里还是多解释 MemT-1.0 这种特定模型的技术路线和常见外部记忆的区别吧：

• 常见外部记忆：把信息存成结构化或者非结构化的记录，需要时检索出来，再交给模型阅读。

• MemT 的原生记忆：把信息写进模型内部可更新的数字状态，后续计算直接使用，不必一直携带历史原文。

个人觉得，在一定程度上，“大模型原生记忆”甚至还有些类似于“每聊一句，就把整个模型重新训练一遍”。所以，“大模型原生记忆”依然存在很多局限。

比如，一个 Agent 解决了某个报错，记住了处理方法。后来项目升级，这个方法只适用于旧版本。此时我们需要查：当时遇到了什么问题，依据是什么？方法在哪个版本验证过？等等等等，才能继续推进工作，但 模型能利用内部记忆，并不能直接回答这些项目记录如何维护的问题。依然需要一个上下文管理工具，保存项目决策、依据、进展和交接信息。

相比所谓的“大模型原生记忆”，独立项目记录的价值，还在于使用者能逐条检查、修改、追溯，并让不同 Session 和 Agent 继续利用。

即使未来经验进入模型的方式真的变了，上下文管理依然 不可或缺。

主角登场

如果要请富内斯来当你的同事，我们大概很快就会产生一种愿望：希望他少回忆一会儿，赶紧特么给我把事儿办了。

可他记得的每一件事都确实发生过，凭什么跳过这一件，先做那一件？

这个问题比“还能记多少”麻烦得多，也重要得多。

Agent 在进行回忆时，还得说清楚怎样才算完，否则，它很可能像富内斯一样，尽职尽责地把昨天再过一遍。

PowerContext

我们通过上下文管理工具来留下记录，只是想让明天少走些昨天走过的弯路。

PowerContext ^[7] 是一款面向人和 Agent 协作的上下文管理工具，当前最新正式版为 1.4.1 ^[8]。

它保存原始资料与证据，维护可复用的项目决策和约束，并用交接记录写清目标、已验证的进展、阻塞和下一步。换会话、换 Agent 时，接手者可以先读当前进度，再沿引用核对依据。

它还支持从任务证据中生成可复用的经验 ^[9]，经审阅批准后参与召回，后续修订保留历史版本；也能从证据或已批准经验中生成 Skill 候选 ^[10]，经审阅批准后显式导出，供 Codex 等通用 Agent 使用。

做过一次的工作，由此可以留下供后续任务查阅的办法与依据。

每轮工作前，PowerContext 可以按当前问题和预算准备相关上下文。1.4.1 进一步减少检索与记忆写入中的重复操作，并新增可移植归档，让选定项目的数据连同历史版本、证据与交接记录一起导出、检查和恢复，方便保存与转移。

seekdb

seekdb ^[11] 是一款面向 Agent 和 AI 应用的轻量级 AI 原生数据库，当前最新正式版为 1.4.0 ^[12]。

它把结构化数据、文本和向量统一管理，支持在一条 SQL 中结合字段过滤、全文与向量检索。工单、文档、日志和任务记录可以放在同一个数据库里，按项目、版本和当前问题查找，减少多套存储与搜索系统之间的数据同步和结果拼接。

除了存和搜，它还支持 Fork、Diff、Merge 数据分支能力 ^[13]。Agent 可以在隔离的数据分支里修改数据、调整检索方案、比较结果，再经检查选择合并适用的表数据改动或丢弃分支。需要反复试验时，可以保留一份可供对照的起点，不必让每次尝试都直接改动主库。

seekdb 1.4.0 版本的重点是轻量化：缩小安装包，降低 CPU 与内存的基础开销，并改善了 macOS 上的运行稳定性。

seekdb 保留本地嵌入式与独立服务两种使用方式；新版嵌入式通过独立后台进程和 MySQL 协议访问，支持多个应用共享同一个实例。本地助手、开发工具和边缘应用可以按自己的部署条件选择接入方式。

尾声

富内斯记得某个黎明时南方云朵的形状，还能把它们与书皮的斑纹、船桨激起的泡沫作比较。

可那些云，早就散了。

作者博尔赫斯曾说：“很抱歉，和富内斯那一夜的原话的很多细节，已经记不清了，我只能尽量忠实地转述。”

那个记得一切的人，就这样被另一个连当晚原话都记不清的人，留在了纸上。

这篇文章原本的标题是《百万上下文 & 大模型原生记忆，Agent 何须记忆和检索》，因为感觉过于冗长，所以改成了现在的版本。在最后，继续删繁就简，直接用《博闻强记的富内斯》的结尾作个结吧~

我认为，我说出的每一个字（我的每一个举动）都会永存于他那巨细无遗、不可动摇的记忆中。

我惟恐做出无用多余的手势，因此如履薄冰、举止拘谨。

参考资料[1] 《博闻强记的富内斯》:  https://marom.net.technion.ac.il/files/2016/07/Funes-the-Memorious.pdf
[2] Kimi K3.1 Pro 发布:  https://www.kimi.com/en/blog/kimi-k3-1-pro
[3] Humanize MLE Agents 的研究者们:  https://arxiv.org/html/2610.13494v1
[4] 《Retrieval Augmented Generation or Long-Context LLMs? 》:  https://arxiv.org/html/2407.16833v2
[5] MemTensor 推出的 MemT-1.0:  https://github.com/MemTensor/MemT-1.0/blob/main/README_zh.md
[6] MemT 论文的编码实验:  https://arxiv.org/html/2610.26825v2 .SS2
[7] PowerContext:  https://powercontext.oceanbase.io/
[8] 1.4 .1:https://github.com/oceanbase/powercontext/releases/tag/powercontext-v1.4.1
[9] 生成可复用的经验:  https://github.com/oceanbase/powercontext/blob/powercontext-v1.4.1/docs/en/docs/workflows/create-and-review-experience.md
[10] 生成 Skill 候选:  https://github.com/oceanbase/powercontext/blob/powercontext-v1.4.1/docs/en/docs/workflows/create-and-export-skill.md
[11] seekdb:  https://github.com/oceanbase/seekdb
[12] 1.4 .0:https://github.com/oceanbase/seekdb/releases/tag/v1.4.0
[13] Fork、Diff、Merge 数据分支能力:  https://github.com/oceanbase/seekdb/releases/tag/v1.3.0

立即试用 OceanBase 企业版，体验国产数据库能力 180 天免费试用，零门槛开通