记忆越攒越多，检索却越来越钝
智能体的记忆模块，最常见的做法是把所有经历一股脑存进一个库，要用的时候统一检索。城大香港和华为的这篇 arXiv 2610.11573（已被 NeurIPS 2026 接收）点破了一个尴尬：当这个库里混着不同类型的记忆——比如一条是该记住的事实，一条是该走的流程，一条是某个用户的偏好——任何一种单一检索策略，其期望精度都有个绕不开的上限。你存得越多、类型越杂，统一检索反而越容易把不对路的东西捞上来。
MemoType 的解法很朴素，却戳在痛点上：给每条记忆和每次查询都打上类型标签，检索时只取同类型的记忆，再套一套该类型专属的取用策略。它顺手造了个带类型标签的数据集 TriMEM 来训练和评测。结果在三个数据集上，Recall@1 最多提升了 16.18%。这个数字的含金量在于它是一致出现的，不是在某个单点调参调出来的运气。
把「先分类再分发」从模型选择搬到记忆上
有意思的是，这套思路在模型路由那一侧早就被证明过——先判断任务该派给哪个模型，再派。MemoType 只是把这个原语平移到了记忆：不是所有记忆都该被同等对待，也不是每次查询都该在同一个池子里捞。对长程智能体尤其关键，任务一跑几个小时，早期存错的冗余会一直占着检索位、稀释真正相关的那一条。
类型标签从哪来，是下一关
类型路由听起来漂亮，可谁来打标签、打错了怎么兜底，论文没给现成答案。理想情况下记忆写入时就该带上类型，但真实系统里大量旧记忆没有这类标注，补标本身就是一笔活儿。更麻烦的是，类型之间并非完全独立——一条记忆可能同时是事实又是流程，硬归类反而丢信息。短期更现实的，是先在一类高价值、低混杂的记忆上试点，而不是一口气推翻整个记忆库重来。
当然，这篇也留了口子：类型标签从哪来、打错了怎么办、类型之间有关联时会不会拆散互补，这些都没被完全回答。但它至少把记忆工程从「存得越多越好」的朴素信念里拽了出来，提醒做 Agent 的人——记忆是一道需要主动设计的路由，而不是一个能无限灌的仓库。下一步值得看的，是这套类型路由能不能和已有的版本化、分层记忆方案接起来，而不是各管一摊。