Databricks 发布 MemCurrent：为生产级智能体设计持久记忆

核心事实

Databricks AI 研究团队在其博客中介绍了 MemCurrent，一套面向生产环境智能体的持久记忆架构，目前用于支撑 Agent Bricks Memory 与 Genie。据该博客描述，智能体在工作过程中读写记忆，另有一条离线的「dreaming」流水线负责整合记忆，以保持其一致性与时效性。团队称，在基于真实企业任务构建的内部基准上，MemCurrent 将智能体的通过率提升至无记忆时的约三倍，同时 token 用量减少 31%、运行速度提升 26%。

背景与影响

博客指出，智能体进入生产环境后，开发者常在质量与效率之间取舍：长尾任务要答得准，规模化时又要控制成本与延迟。记忆被视为可同时改善两者的方向，但「历史越多不等于记忆越好」，全量注入过往交互成本高，还可能引入过时、冲突或无关的上下文。MemCurrent 区分两类记忆：记录原始会话轨迹的情节记忆，以及从轨迹中提炼、以文件形式存放于结构化知识库的派生记忆，顶部有自动生成的 memory.md 索引。读取分层进行：会话开始时注入索引，会话中通过 search_memory 与 fetch_memory 两个工具检索。团队称在 LoCoMo、LongMemEval、ConvoMem 三个开源基准上，MemCurrent 平均得分 88.1%，与全上下文基线 87.8% 相当，而每题输入 token 约为后者的十二分之一。

限制与来源

上述通过率、token 与延迟数字均来自 Databricks 自述及其内部基准，测试条件、模型版本与评测方法由该团队设定，尚未见独立第三方复现。博客中提及的对比对象与基准结果仅代表其公布口径。产品可用范围、功能与计费方式请以 Databricks 官网当前信息为准。本文信息来源于 Databricks 博客文章《MemCurrent: Designing Persistent Memory for Production Agents》。