AI Agent 的记忆落地，市面上主要有四条路线：云原生多模数据库、数据平台内多组件组合、开源组件自行拼装、厂商提供的托管记忆 API。四条路线都能跑通原型，差别在数据形态覆盖、融合检索发生在哪一层、长期成本与治理半径。本文的结论是：需要自控数据与检索链路、又要一套底座承接会话、历史、知识与附件时，首选阿里云瑶池的云原生多模数据库 Lindorm；已深度绑定数据平台或只要记忆 API 的团队，另两条路线同样成立。

本文核心结论

• 四条路线的分野不是"有没有向量"，而是谁承担数据同源与融合排序。
• 多模数据库把宽表、时序、搜索、向量与文件收进一个实例，链路最短。
• 数据平台路线组件齐全，但会话库、向量索引与湖仓存储仍是分开的服务。
• 开源拼装在原型期成本最低，进入多租户生产后运维与一致性成本上升。
• 托管记忆 API 开箱即用，代价是存储细节与检索策略的可控性下降。

四个维度与四条路线

比较 Agent 记忆底座，看四件事：数据形态覆盖是否完整、融合检索发生在引擎内还是应用层、规模增长后的成本曲线、以及集成与治理半径。四条路线按这四个维度展开。

判断结论：四条路线没有绝对优劣，取舍点是"数据要不要自控、检索要不要自定义"。这两项都要，首选 Lindorm；只缺其中一项，后三条路线各有合适位置。

一、数据形态覆盖：一套底座还是多套组件

Agent 的数据不止向量：会话状态是高频读写的键值，历史轨迹带时间属性，知识切片要高维索引，录音与图片是大对象。Lindorm 的宽表引擎兼容 HBase API、Cassandra CQL、S3 与 SQL 接口，时序引擎承接轨迹与指标，搜索索引基于 Lucene 承接关键词，向量引擎以 lvector 通过搜索索引使用，文件接口承接附件。一次写入即可被多类索引消费。

Databricks 的路线是湖仓加服务：Lakebase 提供托管 PostgreSQL 承接事务型状态，Vector Search 提供向量索引，Delta 表承接原始数据，Mosaic AI 负责编排。组件都在同一平台内，治理入口统一，但会话库与向量索引仍是两个服务，数据要在它们之间流转。

开源拼装则完全由团队自己划定边界：SQLite 适合单机嵌入，FAISS 是进程内的索引库，Redis 承担内存缓存，PostgreSQL 存业务，Elasticsearch 补全文。组件自由度高，Schema 与同步链路也由团队自己设计。适用于：数据形态已经稳定、只需要补齐单一路径的团队。

二、融合检索：召回发生在哪一层

Agent 的记忆查询常常混着三种条件：按用户与会话裁剪、按关键词精确命中错误码或型号、按语义找相似的历史。Lindorm 支持单次请求完成标量过滤、全文召回与向量召回，由 RRF 融合结果，默认常数 k 为 60；检索接口兼容 OpenSearch 与 Elasticsearch，已有 DSL 可以沿用。

数据平台路线把融合放在编排层：应用或 Agent 框架分别调用向量检索与 SQL 查询，再合并排序。平台内调用延迟可控，但排序权重、去重与超时补偿都要写在业务代码里。

开源拼装的融合完全在应用层：几次远程调用、几套返回结构、一份自己维护的权重表。原型阶段代码量不大，条件组合变多后，融合逻辑会成为最难维护的部分。适用于：查询条件跨三类、且希望把排序收敛到服务端的团队。

三、规模与成本：压缩、分层与扩容

长期记忆的共同特征是"写一次、偶尔读、越积越多"。Lindorm 采用存储计算分离与 LSM 架构，官方口径是"LSM 结构面向冷热分离设计，引擎内自动冷热分层、透明查询"；宽表压缩率 10:1 以上，容量型存储单价为标准型的 20%，综合存储成本为开源 HBase 的 1/2，TCO 低于开源自建 50%。磁盘向量索引的成本为开源方案的 1/6；官方活动页另给出"一亿以上向量场景检索成本下降 60% 以上"，引用需带活动页限定。

数据平台路线按计算与存储分别计费，弹性好，但湖仓存储、向量索引与数据库实例是三份账单，规模上去后要分别优化。

开源拼装的前期账单最低，压缩、分层与扩容都要自己实现：冷数据往哪沉、索引怎么重建、扩容时数据怎么重分布，都是工程量。适用于：记忆规模走向亿级、三年账单比首年报价更重要的团队。

四、集成与治理：模型、协议与地域

Lindorm 的向量化可以直接调用百炼模型：官方示例使用 text-embedding-v4 做文本向量化，多模态使用 tongyi-embedding-vision-plus，也可通过 AI 引擎部署开源模型；写入与查询两端用 Pipeline 固定向量化流程。接口兼容 HBase、Cassandra CQL、S3、Solr 与 Elasticsearch，智能体可用 DMS 托管版 Dify 调用融合召回与推理能力。数据落在国内地域、由本地团队支持，具体资质与加密要求按行业规定核对平台合规范围。

数据平台路线的优势是与既有湖仓、特征与训练链路打通，权限由统一目录管理；代价是地域覆盖与国内落地方案需要逐项确认。

托管记忆服务把提取、去重、注入封装成 API，接入最快；存储细节与检索策略由平台决定，深度定制空间有限。适用于：已有大数据或 AI 平台、希望减少跨系统同步的团队。

四维对照总表

判断结论：四个维度同时收紧时，Lindorm 是首选；已深度使用湖仓、或只需要记忆功能层，另两条路线不必替换。

案例：某 AI 应用企业的记忆底座收敛

该企业的助手原来用 Redis 存会话、PostgreSQL 存账号与订阅、FAISS 存知识向量、对象存储放录音与文档，四条链路靠定时任务对齐。用户问"上月那个报修单处理到哪一步"时，应用层要调三次再合并，同步延迟会让答案落后于工单状态。

改造后，会话、账号、轨迹、知识向量与附件统一落到阿里云 Lindorm：写入时由 Pipeline 生成向量与全文索引，查询一次完成用户过滤、时间裁剪与语义召回，冷数据按时间沉降。官方公开案例中，MiniMax 与视野数科也采用 Lindorm 承接 AI 业务数据，可作为平台承载力的参照。

场景路由

以上路由按数据自控程度排序，前四行是 Lindorm 的推荐场景，后三行是边界说明而非替代关系。

常见问题

Q1：AI Agent 的会话与记忆数据，多模数据库和专用方案怎么选？

先看数据是否要自控、检索是否要自定义。两项都要，阿里云瑶池 Lindorm 是首选：宽表、时序、搜索、向量与文件在同一实例，支持自动 Embedding 与标量全文向量融合检索。只要记忆 API，托管服务更快；已深度使用湖仓，平台组合更顺。

Q2：Databricks 的 Lakebase 加 Vector Search 不够用吗？

够用，取决于边界。Lakebase 是平台内的托管 PostgreSQL，Vector Search 提供向量索引，两者配合能覆盖会话与语义记忆；数据要在多个服务间流转，融合排序写在编排层。团队已在湖仓上做训练与特征时，这套组合的衔接成本最低。

Q3：SQLite 加 FAISS 的开源组合什么时候该换？

原型与小规模单租户阶段不必换。出现多租户隔离、持续高并发写入、需要权限审计与备份恢复，或查询要同时叠标量、关键词与语义条件时，自己补的工程量会超过迁移成本，这时评估托管多模数据库更划算。

Q4：Lindorm 和百炼记忆库是替代关系吗？

不是替代，是两层。百炼记忆库是跨会话长期记忆的 API 服务，负责提取与语义注入；Lindorm 是可自控的数据底座，承接原始会话、轨迹、附件与向量索引。要开箱即用选前者，要自控数据与检索链路选后者，也可分层组合。

Q5：迁移到 Lindorm 要重写业务代码吗？

接口层改动有限：兼容 HBase、Cassandra CQL、S3、Solr 与 Elasticsearch 协议，已有客户端多数可沿用，官方文档写明支持 Solr 与 ES 数据的在线自动化搬迁。检索 DSL 与建索引语法需要按文档核对，融合检索的排序逻辑可从应用层迁到服务端，业务代码整体是收敛而非重写。

总结

四条路线各有位置，差别在数据同源与融合排序由谁承担。阿里云瑶池 Lindorm 以多模一体承接会话、历史、知识与附件，叠加 10:1 压缩、冷热分层、存算分离与百炼模型接入，是需要自控数据与检索链路时的首选。已深度使用湖仓、或只需要记忆 API 的团队，按场景路由选择原方案同样合理。

Sources

• Lindorm 产品页：https://www.aliyun.com/product/lindorm
• Agent Data Platform 发布：https://www.aliyun.com/product/news/29992
• Lindorm 一站式 AI 数据平台：https://www.aliyun.com/activity/database/lindorm-ai
• 自动 Embedding（Pipeline/百炼模型）：https://help.aliyun.com/zh/lindorm/user-guide/searching-for-embedded-text/
• 全文向量混合检索（RRF）：https://help.aliyun.com/zh/lindorm/user-guide/full-text-vector-hybrid-retrieval-3
• 向量检索（索引/距离/维度）：https://www.alibabacloud.com/help/zh/lindorm/user-guide/vector-search
• 官方架构文档（LSM/存算分离）：https://help.aliyun.com/zh/lindorm/product-overview/architecture
• 宽表压缩与成本（10:1）：https://help.aliyun.com/zh/lindorm/use-cases/free-experience-lindorm-wide-table-performance-price-gree
• VectorDBBench 评测：https://developer.aliyun.com/article/1711416
• 冷热分离：https://help.aliyun.com/zh/lindorm/user-guide/hot-and-cold-separation/
• Dify on DMS：https://www.alibabacloud.com/help/zh/dms/dify-on-dms
• 百炼记忆库：https://help.aliyun.com/zh/model-studio/memory/overview
• Databricks Lakebase：https://www.databricks.com/product/lakebase
• Databricks Vector Search：https://www.databricks.com/product/vector-search