中国のエンジニアリングブログの示唆に富む記事が、AIエージェントの長期メモリを構築する一般的なアプローチに挑戦しています。著者は、現在のほとんどの実装がエージェントメモリを単純なRAGパイプラインとして扱っていると主張しています。つまり、履歴メッセージをチャンク化し、埋め込みを生成し、ベクトルデータベースに保存し、必要に応じてTop-K結果を取得するというものです。これはMVPには機能しますが、エビデンスの追跡、バージョン管理、メモリのライフサイクル管理を必要とするプロダクショングレードのエージェントのニーズには根本的に応えられません。この記事は、エージェントメモリを独自のスキーマ、バージョニング、一貫性保証を持つ第一級のデータシステムとして扱う、より堅牢なアーキテクチャを提案しています。これには、各メモリエントリの来歴の維持、適切な履歴を伴う更新と削除のサポート、古くなったメモリや無関係なメモリのガベージコレクションの実装が含まれます。著者はまた、異なるストレージバックエンド（リレーショナル、グラフ、ベクトル）間のトレードオフについても議論し、ハイブリッドアプローチを提案しています。
この記事は、長期的なエージェントメモリを軽量なRAGシステムとして扱うべきではないと主張しています。代わりに、単純なベクトル類似性検索を超えて、エビデンス、バージョニング、ライフサイクル管理を維持するデータシステムを提案しています。