# Agent Memory Systems · Evidence Notes

> Topic: `agent_memory_systems`  
> Runtime authority: bare TableGit  
> Bootstrap date: 2026-10-01

## Scope

本专题研究 Agent 如何跨时间积累状态、知识、经验、技能、Artifact 与用户/组织上下文，并把这些记忆转化为未来任务能力。

它不是“向量数据库/RAG 产品列表”，也不把更长 context window 等同于 durable memory。

## Initial internal evidence anchors

1. `research_domains/agentic-ai/agentic-ai.md`  
   已将 Memory 定义为 Agentic AI 的核心能力：保存任务状态、历史经验或用户上下文，同时指出隐私、时效性与污染风险。

2. `technology_insight/releases/2026-08-r2/domains/ai_technology/report.md`  
   已记录 GitHub Copilot repository memory 的生产 A/B 证据：材料中引用的官方结果为有 repository memory 时 PR merge rate 90%，无 memory 时 83%。专题后续需要回到原始来源重新核验实验口径、样本与适用边界。

3. `technology_insight/releases/2026-08-r2/domains/software/report.md`  
   已提出 Personal Context & Memory Fabric 方向：跨手机、耳机、平板、手表、眼镜统一语义索引，并强调本地优先、按需跨设备、最小化上云和 OS 级 memory lifecycle。

## Evidence policy

- 原始来源、提取事实、专题判断与未来假设分开保存。
- “has memory” 不等于 “memory improves outcomes”。
- 最高级证据优先看端到端任务结果、可恢复性、长期一致性、安全边界和成本。
- 任何跨会话长期记忆都要记录 provenance、freshness、权限、更新与删除语义。
- 后续外部证据卡应优先引用一手论文、官方工程博客、代码/benchmark 与可复现实验。