据 Woofun AI 消息，清华大学、上海交通大学及 MemTensor 联合发布研究，从数据管理维度系统评估了 Mem0、Letta 等 12 种主流大模型智能代理记忆系统。团队构建了涵盖记忆表示存储、检索、路由及维护的分析框架，并在 11 个数据集上量化性能与成本。

研究发现，现有记忆架构无法通吃所有工作负载。混合式系统在对话问答中表现最优，图或树结构系统在单步事实检索中更可靠，但处理时间推理任务时存在短板。纯追加式存储机制在长时间运行后性能急剧下降。在时间敏感查询场景中，传统长上下文检索因保留时间线索，表现优于增强记忆系统，后者常因语义整合破坏线索导致‘错误认知’。

拆解组件测试显示，传统相似性检索在处理长跨度查询时准确率显著降低；精细化信息提取虽提升检索精度，却因信息丢失损害多步推理能力。复杂图结构系统资源消耗高，但检索准确率未获相应提升。研究建议，相比全局重构，局部维护更具成本效益，保守型记忆整合策略应作为默认选择。