我们准备好迎接Agent原生记忆系统了吗？

大语言模型（LLM）智能体的记忆机制已从简单的检索增强机制，快速演进为一种数据管理系统，支持智能体执行过程中的持久化信息存储、检索、更新、整合及动态生命周期治理。然而，尽管这一演进已发生，现有评估仍主要通过端到端任务成功指标（如F1、BLEU）来评测智能体记忆，同时将底层系统视为一个整体黑盒。因此，关键的系统级问题——包括运行成本、各记忆模块间的架构权衡，以及动态知识更新下的鲁棒性——仍未得到充分探索。

本文从数据管理视角出发，对智能体记忆进行了系统性实验研究。我们提出一个分析框架，将智能体记忆分解为四个核心模块：记忆表示与存储、提取、检索与路由、维护。在该框架下，我们评估了12个代表性记忆系统及两个参考基线，覆盖了横跨11个数据集的五个基准工作负载。广泛的端到端评估表明，没有任何单一架构在所有场景中占据主导地位；相反，其有效性高度依赖于记忆结构与工作负载瓶颈的匹配程度。此外，通过细粒度的消融研究，我们量化了各模块对表示保真度、检索精度、更新正确性及长期稳定性的独立影响。最后，我们揭示了实际工作负载下的成本-性能权衡，表明局部维护比全局重组更具成本效益。基于这些发现，我们指出了构建真正面向智能体的原生记忆系统的有前景方向。代码已开源：https://github.com/OpenDataBox/MemoryData。