本文提出了一种名为“Memoryfields”的 AI 智能体记忆文件格式，旨在解决现有智能体记忆系统过于复杂、供应商锁定及效率低下的问题。作者指出，当前流行的记忆系统主要分为三类：依托特定实验室生态的封闭平台、依赖 PostgreSQL 或 Neo4j 等重型数据库的复杂架构，以及试图将信息抽象为逻辑图谱的“现代主义”方案。这些系统普遍将记忆视为一个“过程”，导致智能体在检索记忆时需进行繁琐的串行工具调用或上下文处理，不仅增加了延迟，还可能因无关信息的干扰而降低模型输出质量。
相比之下，Memoryfields 将记忆定义为一种“数据格式”。其核心是一个包含 Markdown 文本文件和 SQLite 向量索引的 ZIP 压缩包。智能体直接撰写 Markdown 格式的记忆内容，利用 SQLite 存储向量嵌入，并通过语义搜索直接检索相关页面，而非在复杂的知识图谱中进行遍历。这种“低机制”的设计利用了模型原生对 Markdown 和 Bash 的处理能力，消除了对专用 API 或重型中间件的依赖。该格式开放、可移植，支持本地文件、GitHub 或 S3 等多种传输方式，能够随着模型能力的进化而自然扩展，为智能体提供了一种轻量、高效且具备数据主权的持久化记忆方案。
事件分析
在产业影响方面，这种将记忆视为“可移植文件”而非“平台服务”的理念，有助于打破现有 AI 厂商的数据锁定，促进智能体数据的标准化与互操作性。如果类似格式成为行业标准，未来智能体将能够像携带配置文件一样携带记忆，实现跨平台、跨模型的无缝迁移。这也预示着 AI 基础设施正在从“重型服务化”向“轻量文件化”演进，让智能体更倾向于使用通用工具而非特定接口。
核心观点：AI 记忆应回归数据本质：简单的文件格式比复杂管道更能适应模型进化。
原文链接：Hacker News
