Agent缺的不是记忆，是文档

Hacker News 上有篇热文（335 分 203 评）把「Agent 记忆插件」这个赛道整个批了一遍，标题就是结论：Agents don't need memory, they need documentation。

作者是 Kevin Liao，做了一年多 Agent 开发后把方法论沉淀成了开源插件。

他先拆了市面上所有记忆插件的共同架构：翻会话记录、切成片段、塞进向量库，每次提问检索相似度最高的几条注入上下文，不够再给 Agent 一个搜索工具。

听着挺合理，但他列出五个通病：
相似度排序不等于正确；片段存储丢掉了上下文和动机；过去存的「记忆」跟不上天天变的代码库；Agent 不知道自己不知道，不会主动去搜；最后整个库无法审计，一万条嵌入里哪些过期哪些是错的，没人说得清。

核心论据是一个类比：没人会重看三年前的团队会议录屏来回忆需求约束，人类的做法是写文档。所以正确的问题不是「怎么让 Agent 记得更多」，而是「怎么让它查得到、写得回」。

落地形态是工作循环的改变：
从 prompt、build、forget 的干完就忘，变成 prompt、consult、build、update 的先查文档再干活、干完更新文档。

AGENTS.md 只是个起点，指令、规格、决策、调研、索引都应该进这个「文档脑」。

作者的开源实现叫 Operator Memory，纯 Markdown 文档，没有向量库、没有嵌入、没有烧 token 的后台守护进程，可以读、可以改、可以提交、可以共享给团队。

对正在给自己的 Agent 搭记忆系统的人，这篇文章值得先读再动手，可能会省下一笔向量数据库的钱。

#AIAgent #记忆机制 #AGENTS.md #上下文工程 #开源项目