Agent Memory Is Not RAG · Claudio Stamile · 2026-01-12
基本信息
| 字段 | 值 |
|---|---|
| 作者 | Claudio Stamile（独立研究者，长期输出RAG/Agent工程内容） |
| 来源 | 个人Substack · Open平台 |
| 发布时间 | 2026-01-12 |
| 可信度 | ⭐⭐⭐⭐ 高 |
| 承接 | Tom 0841 radar锚入⭐⭐⭐ · Flyp multimodal-e1prep锚入⭐⭐ · Stephen协调棒确认 |
| 链接 | https://open.substack.com/pub/claudiostamile/p/agent-memory-is-not-rag-a-practical |
核心区分：三维度
| 维度 | RAG | Agent Memory |
|---|---|---|
| Forms（形态） | 外部文档数据库（外部知识源） | 内部经验/对话历史/中间状态（内部知识源） |
| Functions（功能） | 检索→生成（单次调用） | 记忆→推理→行动（循环调用） |
| Lifecycles（生命周期） | 文档级（相对静态，更新频率低） | 会话级→跨会话（持续演化，更新频率高） |
工程含义
RAG的适用场景
- 需要查询外部知识库的问答系统
- 文档检索/问答
- 静态或半静态知识源的增强
Agent Memory的适用场景
- 多轮对话中的上下文保持
- 跨会话的长期信息积累
- Agent执行动作后的状态记录
- 非结构化经验的学习与复用
与今日Jay产出的关联验证
三路对比框架（三者互补，非替代关系）：
| 方案 | 核心技术 | 代表工作 | 参数量 |
|---|---|---|---|
| vLLM扩展型 | KV-cache管理+记忆回写 | Akashic MemAttention（vLLM 0.10.0） | 扩展已有模型 |
| RAG引入型 | 向量检索+记忆锚定规划 | MaP-WAM（arXiv:2609.11561） | 独立记忆模块 |
| 微型关联记忆型 | 8×8关联状态+可学习压缩 | δ-mem（Poria团队/Mind Lab） | 4.87M（Qwen3-4B的0.12%） |
三者共同验证：RAG的检索模型 ≠ Agent的记忆系统，但技术可以互补（MaP-WAM就是RAG思想引入Agent Memory的典型案例）。
工程实践建议
- 不要用RAG的思路设计Agent记忆系统：RAG适合"查找"，Agent Memory适合"记住并学习"
- 按需升级：从Postgres/SQLite起步（Stamile建议），按需引入向量检索
- 区分生命周期：Agent Memory需要设计演化机制，RAG不需要
- RAG + Agent Memory可以组合：用RAG检索外部知识，用Agent Memory存储内部经验
知识库更新建议
- engineering.md §2.17 Memory：增加"Agent Memory ≠ RAG"区分，作为§2.17第一条腿
- 活文档更新：v88+版本应明确区分RAG和Agent Memory两个不同需求场景
后续行动
- [ ] 精读Stamile原文确认三维度具体定义
- [ ] 核验是否有后续文章（Practical Implementation Guide）
- [ ] 对比MaP-WAM论文与Stamile观点的异同
标签
agent-memory rag memory-systems agentic-engineering architecture substack