據 Woofun AI 消息，清華大學、上海交通大學及 MemTensor 聯合發佈研究，從數據管理維度系統評估了 Mem0、Letta 等 12 種主流大模型智能代理記憶系統。團隊構建了涵蓋記憶表示存儲、檢索、路由及維護的分析框架，並在 11 個數據集上量化性能與成本。

研究發現，現有記憶架構無法通喫所有工作負載。混合式系統在對話問答中表現最優，圖或樹結構系統在單步事實檢索中更可靠，但處理時間推理任務時存在短板。純追加式存儲機制在長時間運行後性能急劇下降。在時間敏感查詢場景中，傳統長上下文檢索因保留時間線索，表現優於增強記憶系統，後者常因語義整合破壞線索導致‘錯誤認知’。

拆解組件測試顯示，傳統相似性檢索在處理長跨度查詢時準確率顯著降低；精細化信息提取雖提升檢索精度，卻因信息丟失損害多步推理能力。複雜圖結構系統資源消耗高，但檢索準確率未獲相應提升。研究建議，相比全局重構，局部維護更具成本效益，保守型記憶整合策略應作爲默認選擇。