Harrison Chase
把 Agent Memory 里一个正在收敛的模式讲清楚了：Wiki Memory。
Agent Memory 的关键，可能不是“存更多数据”，而是把原始资料压缩成三层可维护、可检查、可复用的知识结构。
- 原始资料层
包括日志、笔记、代码、文档、实验记录、Slack 讨论、会议转录等。
这些资料不是没有价值，而是太散、太长、太吵。直接交给 Agent，等于让它每次重新理解一遍领域。
- 知识压缩层
Wiki Memory 的动作，是让 Agent 先读取原始资料，再提炼出更高层的知识综合。
这和 RAG 的差别在这里：
RAG 更像“临时找片段”：
提问时检索原始 chunk，再让 Agent 当场理解。
Wiki Memory 更像“提前建地图”：
先把领域结构、关键事实、稳定结论整理出来，下次 Agent 直接读这层压缩后的知识。
所以它不是简单替代 RAG，而是把一次次临时检索，变成持续沉淀的长期记忆。
- 文件维护层
Harrison 认为最自然的载体可能就是文件。
原因很简单，文件有四个优势：
· 可检查：人能看到 Agent 记了什么
· 可编辑：错了可以直接改
· 可版本化：能 diff、review、回滚
· 可读取：Agent 不需要复杂接口，直接读写即可
DeepWiki、Factory AutoWiki、Karpathy 提到的 LLM Wiki，其实都在做类似的事：
为代码库、项目、研究资料生成一份持续更新的知识地图。
边界也很清楚：
Wiki Memory 更适合长期领域知识，不一定适合短期对话状态、用户偏好或高频事件流。
真正值得看：
这篇文章把 Memory 从“存储问题”重新放回“压缩与维护问题”