Databricks 在 2026 年 10 月 20 日发布智能体记忆架构 MemCurrent，并同步在 Agent Bricks 平台推出 Agent Memory 测试版：企业智能体不再每次对话都从零开始，而是能跨会话记住事实、偏好和做事方法。在 Databricks 用真实业务对话搭建的内部基准上，装上这套记忆后，114 项企业任务的完成率从无记忆时的 22.3% 升到 68.4%，同时少用 31% 的 token、快 26% 完成。模型一个字没换，差距全在记忆怎么存、怎么整理。
关键不在存得多，在分两层
MemCurrent 把记忆拆成两种。一种是情景记忆，保留原始对话与操作记录，相当于流水账；另一种是派生记忆，从流水账里提炼出的偏好、口径和工作流程，相当于整理过的笔记本。拆开测的结果很说明问题：只给情景记忆，完成率只有 35.8%；只给派生记忆，完成率就有 66.1%；两者都给，68.4%。也就是说，把全部历史对话一股脑塞给智能体，效果远不如先提炼再使用。在三项公开基准上，MemCurrent 用相当于全量历史十二分之一的 token，达到了喂全部历史的同等表现，并跑赢了 Mem0、PropMem、OpenClaw 记忆等三个开源记忆系统。以上均为 Databricks 自测口径，尚无第三方复现，引用时要留这个余地。
离线"做梦"：记忆是睡后整理的，不是边干边记的
这套架构最有意思的设计是离线整理环节，Databricks 把它类比为做梦：智能体在线工作时只管把经历写下来，到了离线阶段，再由专门的流水线对记忆做合并、去重和冲突消解——新口径覆盖旧口径，重复事实只留一条。产品侧的 Agent Memory 建在 Lakebase 数据库之上，智能体启动时先加载一份自己已知信息的索引，用到细节时再检索，Agent Bricks 的命令行工具据称几分钟就能部署一个带记忆和会话的智能体。这套架构目前已经在驱动 Agent Bricks Memory 与 Databricks 自家的 Genie 数据问答产品。
和消费级"记住你"不是一回事
消费端产品也在卷记忆，比如刚上线的 ChatGPT 锁定对话把敏感聊天单独分区、单独记忆，解决的是个人隐私边界；MemCurrent 瞄准的是组织记忆：一个客服智能体从全团队的历史工单里沉淀出口径，下一个同事的智能体直接继承。差别带来的是治理问题——派生记忆一旦提炼错了，会以"经验"的名义被反复调用，企业要保留的是记忆的来源链和纠错入口，而不是只看完成率。对正在自建智能体的团队，这份发布给出的可操作结论很具体：先把原始记录和提炼结论分开存，再给提炼环节留离线整理的时间，最后才谈换更大的模型。
