Databricks 发布 MemCurrent：用"在线读写加离线做梦"给生产 Agent 装上长期记忆，通过率提升 3 倍、Token 省 31%

@databricks 团队认为：记忆的关键不在于 "存得多"，在 "留什么、怎么维护、如何衡量"。MemCurrent 用两类记忆加三种接入方式，在企业真实任务上同时提升了质量和效率，打破了"效果和成本只能二选一"的局面。已经用在 Agent Bricks Memory 和 Genie 里。
https://www.databricks.com/blog/memcurrent-designing-persistent-memory-production-agents

三种接入方式，各取所长
· Plugin：在会话的固定节点自动读写。好处是行为可预测，缺点是不需要记忆时也会消耗 Token。
· Tool：由 Agent 自己决定什么时候读写，更灵活，但效果受限于 Agent 自身能力。
· 离线 Pipeline：按计划或触发条件在后台批量更新，运行时成本低，但更新有延迟。

MemCurrent 三种都用，各放在最合适的位置。

两类记忆
· 情景记忆（episodic）：原始会话轨迹，只追加不修改，由 plugin 逐步记录。
· 派生记忆（derived）：从轨迹中提炼出的经验，以层级文件的形式存放，顶部有一份自动生成的 memory.md 索引。写入有两条通道：用户的显式要求由 Agent 工具（新增、更新、删除）立即生效；隐式经验交给离线的"做梦"（dreaming）流程提炼，它同时负责拆分过大的文件、合并重复内容、解决冲突。

读取分层：会话开始时先注入索引，让 Agent 知道自己记得什么；需要时再用 search_memory 和 fetch_memory 按需检索。

关键数据
· 公开基准（LoCoMo、LongMemEval、ConvoMem）：平均得分 88.1%，和全量上下文的 87.8% 相当，但每题输入 Token 约少 12 倍（8.4K 对 103K）。在历史最长的两个基准上，甚至超过了全量上下文，因为塞进去的内容太多反而会干扰模型。
· 内部基准：基于 1.2 万多次真实 Genie 会话筛选，最终得到 114 个测试用例。通过率从无记忆时的 22.3% 提升到 68.4%，补上了到理想上限 78.6% 之间八成以上的差距；同时快了 1.35 倍、便宜了 1.44 倍。Mem0 在公开基准上表现不错，在这里只有 43.9%。
· 两个实例：一次纠错之后，Agent 不再犯"没读查询结果就编造表格"的错；把探索路径保存成工作流之后，一个相关的新问题从近 6 分钟缩短到 41 秒。

消融实验说明了价值从哪来
· 只用情景记忆：35.8%。主要问题是 Agent 只在大约三分之一的用例里想到去搜。
· 派生记忆加索引：66.1%，大部分提升来自这里。"先知道自己知道什么"非常关键。
· 两者结合：68.4%。原始轨迹能找回提炼过程中丢掉的细节。
· 提取策略：只用离线做梦 63.5%，只用在线工具 53.9%，两者结合 66.1%。