Memory as Trajectories (轨迹记忆)
记忆机制正在从简单的"存储事实"向更复杂的"存储问题解决经验（轨迹）"演进。
范式转变
传统记忆 (RAG 模式)
存储事实 → 检索相关 → 注入上下文
- 静态知识库
- 基于相似度检索
- 上下文窗口限制
轨迹记忆 (新范式)
完整旅程 → 经验学习 → 上下文管理
- 动态经验积累
- 基于任务轨迹
- 管理器/规划器/执行器循环
核心理念
存储完整旅程
The Turing Post 对 MIA 的总结将记忆框架为保留的问题解决经验，而不仅仅是检索的上下文：
- 不只是结果：存储完整的解决过程
- 不只是事实：存储如何到达结论的路径
- 可复用的经验：相似任务可参考历史轨迹
未经策划的用户日志价值
Databricks 的"记忆扩展"声明呼应了这一方向：
- 未经策划的用户日志在仅 62 条记录后就可以胜过手工制作的指令
- 真实的交互数据比人工设计的提示更有价值
架构实现
管理器/规划器/执行器循环
┌─────────┐ ┌─────────┐ ┌─────────┐
│ 管理器 │───→│ 规划器 │───→│ 执行器 │
│ Manager │ │ Planner │ │ Executor│
└─────────┘ └─────────┘ └────┬────┘
↑ │
└──────── 存储轨迹 ←────────────┘
经验学习 vs 知识检索
| 维度 | 知识检索 (RAG) | 经验学习 (Trajectories) |
|---|---|---|
| 存储内容 | 静态文档 | 动态交互历史 |
| 检索方式 | 相似度匹配 | 任务模式匹配 |
| 更新频率 | 低频批量 | 高频持续 |
| 价值来源 | 信息覆盖 | 问题解决路径 |
为什么重要
更自然的 AI 记忆
人类记忆也不是简单的"存储-检索"，而是基于经验的联想。轨迹记忆更接近人类的学习方式。
持续学习的基础
这是实现 AI 系统持续学习的关键一步。通过积累问题解决经验，系统可以不断改进。
相关概念
来源
- [[raw/newsletters/AINews/2026-04-11 [AINews] AI Engineer Europe 2026.md|2026-04-11 [AINews] AI Engineer Europe 2026]] (via newsletter skill)
- The Turing Post 对 MIA 的总结
- Databricks "记忆扩展"声明