Databricks 推出 MemCurrent：为生产级 Agent 设计持久记忆架构

它是什么：先认清身份

2026年10月20日，Databricks AI Research 团队在官方博客发布 MemCurrent。它是一套面向生产级 AI Agent 的持久记忆架构，现已用于 Agent Bricks Memory 和 Genie。官方未说明它是否开源、是否开放权重，也没有给出独立版本号。

用小学生能懂的话说，它像给容易忘事的助手配了一本会自动整理重点的随身笔记本：助手干活前先翻目录，干完活后由后台小管家把新经验归类写进去。

为什么需要记忆：质量与效率的两难

博客指出，开发者做企业级 Agent 时常在质量和效率之间二选一：回答要准，尤其长尾任务；同时成本要低、速度要快。把全部历史都塞给模型，既贵又容易带入过时、冲突或无关的信息。

记忆的价值在于让 Agent 跨任务携带用户偏好、先前纠正、指标定义和成功流程。但“历史越多越好”是误区，真正难的是决定保留什么、怎么维护、如何衡量有用性。

三种接入方式：插件、工具和离线管道

MemCurrent 把记忆接入分成三种。插件方式在会话固定节点自动读写，更新即时但运行时成本和延迟较高；工具方式由 Agent 自己决定何时读写，灵活但质量受 Agent 能力限制；离线管道在后台按计划或触发更新，成本低但有延迟。

MemCurrent 三种都用，各取所长。可以理解为：有的知识当场记，有的让助手自己决定记，有的交给课后整理员慢慢归档。

两类记忆：原始录像与提炼笔记

它把记忆分成两类。情景记忆保存原始会话轨迹，只追加不修改，由插件在会话运行时逐步记录；派生记忆是从轨迹中提炼出的经验，存放在结构化知识库的文件里，顶部有自动生成的 memory.md 索引，说明文件结构和内容。

派生记忆的写入有两条路：Agent 工具 add_memory、update_memory、delete_memory 处理明确指令，比如“不要在 /tmp 目录写脚本”；离线“做梦”管道则从每次新会话中提炼隐含经验，并清理整个存储，拆分过大文件、合并重复项、解决冲突。

怎么读记忆：先看目录再查细节

读取是分层的。会话开始时，插件注入记忆索引，让 Agent 先知道自己“知道什么”；会话进行中，Agent 可用 search_memory 按查询返回最匹配的条目，再用 fetch_memory 按会话 ID 或文件路径取回完整内容。

这像查字典：先看目录定位大致位置，再翻到具体词条看全文，而不是把整本字典背下来。

怎么评估：公开基准加企业内部基准

团队先用 LoCoMo、LongMemEval 和 ConvoMem 三个开源基准，它们测试 Agent 能否回忆开放式合成对话中早先说过的事实。团队还从真实 Genie 对话构建内部记忆基准：从 1.2 万多条会话中筛出 3000 条候选，再经对抗式评审和人工复核，最终得到 114 个测试用例、29 位用户、2233 条历史会话。

内部基准与公开基准有三点不同：来自真实企业数据工作区，涉及表语义、指标定义和工作流；记忆要用于完成多步任务而不只是找答案；覆盖 5 种记忆类型和 11 种场景。

效果与限制：数字好看，但边界要看清

在内部基准上，MemCurrent 通过率 68.4%，无记忆为 22.3%，金标注入为 78.6%，即补上了八成以上差距；延迟 252 秒、token 用量 418K，均为对比中最低。相比无记忆，通过率约三倍，速度快 1.35 倍，成本低 1.44 倍。公开基准上平均准确率 88.1%，与全上下文 87.8% 相当，但每题输入 token 约少 12 倍。

限制也很明确：离线整理有延迟，工具方式依赖 Agent 自身能力，基准结果来自特定模型组合和内部任务，不能直接外推到所有场景。官方未说明开源方式、定价和可用地区，企业采用前需向官方核验。

适合谁用：先判断场景再动手

它适合需要跨会话记住用户偏好、历史纠正和业务定义的团队，尤其是数据问答、指标解释和多步工作流类 Agent。若任务很短、历史很少，或对延迟极度敏感，收益可能有限。

对小学生和初中生读者，可以把它理解成“会整理笔记的助手”。真正使用时，先确认自己的 Agent 是否已接入 Agent Bricks Memory 或 Genie，再评估记忆带来的准确率提升是否值得后台整理延迟。