一句话：组织记忆不该在写入时就蒸馏，延到读取时再选可能更准
智能体记忆系统有个主流假设：文档写进记忆的那一刻，就用大模型把它压成事实或摘要，之后回答更快。但 10 月初一篇 arXiv 综述（Mem++）指出，这个假设在「组织记忆」场景里并不成立。组织里的决策由很多人独立写进邮件、工单、会议纪要，修订往往是以「新文档到达」的形式出现，而不是回去改旧文档。如果写时就急着蒸馏，六月那次修订的推理、条件与审批链，很可能就在压缩里丢了。Mem++ 的做法相反：写时不调大模型，原样存每篇文档并附日期作者；回答时再按截止日期过滤、用三路索引排序，把「选哪个版本」留给读取时的回答模型。在 OrgMemBench 上，它总分 57.6，高于头部基线 RAG 的 55.0、也明显高于 A-Mem。
组织记忆和「对话记忆」是两回事
为什么主流做法会踩坑？因为多数记忆系统是为对话记忆设计的：一个人和智能体聊，后面一句话更新前面一句，覆盖旧事实合情合理。但组织记忆不同——三月定政策、六月修订、九月反转，三份文档往往都留着，因为没人回去删旧的。当有人问「六月那次修订的初衷是什么」，如果文档在写时就被蒸馏成几条事实，六月版的推理、条件与审批轨迹可能早被抹平。Mem++ 的核心判断是：这类问题要的不是「压缩后的结论」，而是「原始上下文还在」。
Mem++ 具体怎么做的
写时它几乎不做事：不调大模型，把每篇文档整篇存好，附上日期和作者。读时才是重头戏——先按「问题截止日期」过滤出当时有效的文档，再用三路索引排序：词典匹配、作者标签、语义向量，三路加权倒数排名融合，并留几个槽位给最近的匹配文档。最终「选哪个版本、谁批准了」由读取时的回答模型决定，系统本身不做推断。消融显示，去掉写时的「 consolidation / fact-extraction 步骤几乎不影响分数，说明 Mem++ 的效果本就不依赖写时的大模型调用；而去掉语义向量这一路，OrgMemBench 掉 35.7 分、LongMemEval_S 掉 76.0 分，是三路里影响最大的一路。
辩证看：它不是万能记忆，适用边界要讲清
Mem++ 不是把 Mem0、Zep、GraphRAG 全推翻。OrgMemBench 上它总分领先，在「谁批准了、取代了什么」这类 Supersession 问题上优势尤其明显（67.7 对 Mem0 的 40.8）；但作者自己也报告，在 Contradiction 类问题上，RAG 比它高 27 到 28 分，Justification Chain 类几乎所有方法都低于 23 分。也就是说，读时选择擅长「保留上下文、回答版本类问题」，却不擅长「判断互相矛盾的陈述谁对」。此外，核心评测只建立在 73 个问题的单一合成组织上，作者坦言未来要收更多真实组织记录来验证。把它当成「组织记忆的一种更优默认」更合适，而非所有记忆场景的答案。
增量认知：记忆架构的默认假设，该按场景重选
Mem++ 给智能体记忆赛道补了一记提醒：几乎每个现有系统都默认「写时该结构化」，但这条假设在组织记忆里未必成立。把文档原样留下、把决定推迟到读取时，反而能在「谁批准、取代了什么、当时为何」这类问题上赢过多个系统。对做企业知识智能体的团队，这提示一个务实取舍——与其急着在写入时蒸馏，不如先保住原始上下文，让回答模型在读取时再根据问题挑版本。记忆系统的设计，从来不是越「聪明压缩」越好，而是越「留得住该留的」越好。
结语
组织记忆的难，不在记不住，而在记下了却丢了上下文。Mem++ 用「写时不结构、读时再选择」证明，很多时候不急着蒸馏，反而答得更准。对要把企业文档变成智能体记忆的团队，这值得记一笔：先保住原始，再谈压缩。