# 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...
Canonical: https://social-archive.org/yena/nQR1iljFGL
Original URL: https://x.com/li9292/status/2072321857651630574
Author: 李韭二
Platform: x
## Content
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。 1. 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。 2. 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。 3. 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”