记忆是环境的补集，Agent 没有壁垒
冯若航约 8 分钟11 月 6 日，Anthropic 发了一篇工程博客 The components of agent memory[1]，用一组实验讲透了 Agent 怎么跨会话积累经验，写得非常好。这个话题老冯一直很关心。今年我写过好几篇关于 Agent 的文章，多次聊了这个问题：Agent 的壁垒到底在哪？
老冯的判断是：Agent 的机会不在于 Agent 本身，而在于它运行的环境 —— Agent Runtime；Agent 本身没有壁垒。
不过那时候我手里只有日常干活的体感，没有硬数据。Anthropic 这篇文章表面上聊的是“记忆”，但读完不难发现，他们跑出来的数据，恰恰站在了“环境”这一边。
一、Anthropic 说了什么
先说结论：记忆的关键不在怎么存，而在记什么。会记的模型，只记环境里看不到的东西。
这个结论最直接的证据，来自他们跑的宝可梦实验。Sonnet 3.7 一边玩一边记，狂写了 413 个文件、近百万字符的笔记，最后只拿到 1 枚徽章；而 Fable 5 只写了 9 个文件、四万多字符，却拿下了 4 枚。
核心差别在记了什么。Sonnet 3.7 见什么记什么，连屏幕上本来就看得到的状态也往本子上抄，抄着抄着状态就过时了。Fable 5 的原则正好相反：屏幕上看得到的一概不记，只记屏幕给不了的东西——策略、计划，以及验证过的规则。虽然两个模型差了好几代，放在一起比不算严格控制变量，但指出的方向非常清楚。
那这种“挑着记”的本事从哪来？另一组实验给出的答案是：来自模型自己。挂上同一套记忆机制，Opus 5.5 在 CL-Bench 上的得分从 0.655 涨到了 0.838，而 Sonnet 4.6 只从 0.330 微涨到 0.364。强模型懂得把规则、证据和踩过的坑串在一起记下来，弱模型却只会堆砌一堆未经验证的猜测。反过来，如果你非要给强模型立规矩——比如硬性规定“只许记录失败”——记忆带来的收益反而会缩水。
衍生结论就是：现在这些所谓记忆框架，可能都是昙花一现的临时玩意。因为只有模型本身才知道应该记什么，记哪些。它完全可以直接对接 FS/DB 设计任何自己想要的结构，不需要画蛇添足的先验。
最后一个问题：记错了怎么办？有一局宝可梦里，Agent 记错了一条路线，结果在月见山里死磕了三圈，最后只能放弃。Anthropic 的解法叫 dreaming（做梦）：离线回放原始日志，把写错的笔记改掉，再把碎片整理成互相链接的 Wiki。等把那条写错的路线改过来，原来卡死的路一下就走通了。
整篇文章串起来逻辑很简单：记什么交给模型自己挑，只记环境给不了的；万一记错了，就拿原始日志出来对账。
二、记忆是环境的补集
“只记环境里看不到的东西”，这句话反过来念就是：记忆是环境的补集。 环境能直接告诉你的，根本不用记；环境本身越可读，Agent 需要背在身上的记忆就越少。
对这句话，我是有切身体感的。
今年 1 月老冯上线过一个 DBA Agent。我当时根本没去搭什么 harness，也没写一行 Python 代码，更没接任何记忆中间件。全身上下就一个简简单单的 agents.md 文件：把我整个文档站的目录索引丢进去，再告诉它环境里的监控在哪、数据库在哪、密码怎么拿、出了问题去哪看。
就这么一个文本文件，DBA Agent 就直接上线了。
是不是有点滑稽？但这还真不是糊弄，现在很多用户就是这么拿到生产环境里用的，实际效果远超他们的预期。之前我在《百万流量》那篇文章里晒过后台数据，老冯文档站的请求量暴增，其中 90% 以上的流量全来自这些 Agent。
它为什么不需要复杂的记忆系统？说白了，所有 Agent 的问题的核心，最后都会变成 Context（上下文与环境）管理问题。 老冯在之前 锐评 DS SuperAgent 的文章 里就讲过，做 Agent 第一重要的事，永远是如何设计 Context。这就像你开一家公司，要搭组织架构、拆分工作职责，你真正要设计的是一套运转规则——说白了就是“立法”，创造秩序：工具在哪、边界在哪、能干什么、不能干什么。
设计环境，就像开一家公司：要搭组织架构、拆分工作职责，你真正要设计的是一套运转规则——说白了就是“立法”，创造秩序：工具在哪、边界在哪、能干什么、不能干什么。
当这套环境高度可读、规矩全部立好之后：指标和日志随时能去监控里查，操作全部收敛在命令行里，规范和参数都明明白白写在文档里。Agent 拎包入住就行，留给它记的，只剩下“这家客户有什么特殊怪癖”和“上次为什么这么做决策”——给它配个小记事本就绰绰有余了。反过来，要是把它丢进一个黑盒环境里，它就得拼命拿本子记“昨天改过什么参数”、“哪台机器磁盘快满了”。
记得越多，错得越多，只要错上一条，就是又一座走不出去的月见山。
所以真正有壁垒的，是这套设计好的上下文环境。
三、环境是真正的壁垒
有壁垒的从来不是 Agent，而是运行时环境本身。
老冯一直觉得，很多做纯 Agent 创业的公司全是在瞎扯淡。因为 Agent 这一层根本留不住任何壁垒，很快那点东西就被模型厂商消化吸收了。
想靠自研 harness 建壁垒？路边一条做得过 Claude Code、Codex、Pi、Hermes 这些 harness 吗？退一步不卷通用框架，去卷垂直领域的 Data Agent、Law Agent 行不行？照样没戏。
在所有的 Agent 里面，Coding Agent 是最难的皇冠明珠。 因为写代码是一种通用的元技能——它的本质就是“发明工具来解决问题”：如果现有的工具解决不了问题，它就当场写代码造一个工具来解决。
那你凭什么认为，自己拍脑袋、先验设定出来的那套死板流程，能比一个会自己造工具的 Coding Agent 干得更好？你的什么记忆框架在数据库里建的记忆 Schema，就比模型自己按需生成的更好？这个概率同样趋近于零。
老冯那个 DBA Agent，就是 Codex 或者 Claude Code，加一份 agents.md，跑在 Pigsty 的环境里。垂直的部分全在环境里，不在 Agent 里。
在 agents.md、SKILL.md 里攒下的那些精妙小技巧与 know-how，说到底只是思路。著作权只保护表达，不保护思路，用不了几个月，这些技巧就会被洗进下一代大模型的训练语料里，被底层模型直接吸收消化。
那么，什么是有壁垒的？Agent 运行的环境。强龙不压地头蛇：通用大模型和 Coding Agent 是过江的强龙。那份 agents.md 只是一张地图，没有任何壁垒，谁都能抄，但抄过去没用，因为它指向的那块地抄不走：600 多个扩展在 16 个发行版上的构建流水线、高可用和 PITR 的环境、那套完整的监控基础设施。地头蛇的本钱，不是手里的地图，而是脚下那块地皮。
这也是 Personal Agent 和 Personal Computer 2.0 最近这么火的原因：给 Agent 配一台自己的电脑，就是给它一块自己的地皮。既然壁垒在环境，那环境的底子该怎么打？Anthropic 后半篇正好给了一份踩坑清单。
四、拿着锤子找钉子
Anthropic 在后半篇列了不少工程难题，基本都出在“做梦”和 Wiki 维护上。但在老冯看来，这些全是数据库领域早就解决掉的老问题：
再退后一步看它的整体架构：原始日志就是 WAL，是唯一事实来源（Single Source of Truth）；笔记和 Wiki 是物化视图；而所谓的“做梦”，本质上就是离线批处理加上 VACUUM。
当然，老冯是做数据库的，手里拿着锤子，看什么都像钉子。这把锤子我也确实抡了大半年——从《AI Agent 的操作系统时刻》、《AI 说：我有智慧，但无人生》到《三分天下》，好几篇文章都在讲同一个判断：Agent 记忆的终局是数据库。
但这大半年自己真刀真枪用下来，我发现有数据库还没到那一步，反而 Markdown 知识管理是 Agent 的刚需。
五、Markdown 与 Wiki
Anthropic 自己的测试数据就印证了这一点。他们让 Agent 通过“做梦”，把一大堆原始语料整理成互相链接的 Wiki，然后去测答题准确率：只搜原始语料是 53%，只看 Wiki 是 48%，而把两者结合起来，准确率直接涨到了 61%，平均每道题还能省下约 2 万个 token。原始事实加底层检索是地基，这是数据库的活；但在地基上面叠一层结构良好的 Wiki，效果才最好。
这个 Wiki 是什么？说白了，就是一堆良好组织，互相链接的 Markdown 文件。
“做梦”是很贵的。Anthropic 整理那份 Wiki 花了上亿 token，按最高档粗算，得被提问几千次才能回本。让每个野生的 Agent 各自去做梦，这账怎么算都亏；但如果我们事先把一份高质量的 Wiki 维护好，让所有过来的 Agent 反复读取，这笔账就非常划算了。
这也是为什么老冯最近花了不少时间做 Oink。表面上看，它是一个文档框架，但你也可以把它理解为一个基于 Markdown 的 Wiki 知识库。我手上每开一个开源项目，都会标配一套这样的 Wiki。
我现在写代码也是这么干的，我管它叫 SDD（Spec-Driven Development，我更愿意叫它文档驱动开发）：把所有核心知识集中沉淀在项目的 Wiki 里。这比放任 Agent 在项目的 docs、research notes、reports 目录里随地大小便要好太多了。那些散落一地的笔记没人整理、互相矛盾、版本错位，攒到最后，全是一堆等着爆雷的“月见山笔记”。
我虽然没有像 Anthropic 那样专门跑基准测试、做定量分析，但日常干活的体感非常明显：把这套规矩立起来之后，AI Engineering 的实际效果要好上太多。
结语
回到开头那个问题：Agent 的壁垒到底在哪？
老冯认为，真正的壁垒在于可复制的，秩序井然，高信息密度的上下文环境。对于 Data Agent 来说，你精心准备的分析师指南 Skill 不是壁垒，但每个字段都写满准确详情注释的数据库 Schema / Catalog 是壁垒。对于 DBA Agent 来说，你的 SOP 手册不是壁垒，提供完整监控系统与 IaC / CLI 管理工具的环境，是是壁垒。
记忆是环境的补集。最好的上下文管理，就是让环境准备好一切上下文，让 Coding Agent 自己来探索。谁拥有这样的环境，谁就是那条地头蛇。
广告时间：Pigsty (https://pigsty.cc)，为你的[2] Personal Agent 提供一个自主可控的数字家园。
参考
•The components of agent memory[3]，Anthropic，2026-11-06•AI Agent 的操作系统时刻，2026-01•AI 说：我有智慧，但没有人生，2026-03•三分天下：为什么 Agent Memory 框架是死路，2026-04•OpenAI hires OpenClaw creator[4]，Tom's Hardware
References
[1] The components of agent memory: https://www.anthropic.com/research/components-of-agent-memory[2]: https://pigsty.cc)[3] The components of agent memory: https://www.anthropic.com/research/components-of-agent-memory[4] OpenAI hires OpenClaw creator: https://www.tomshardware.com/tech-industry/openai-hires-genius-openclaw-creator-but-popular-ai-assistant-will-remain-open-source-sam-altman-says-creator-will-work-on-smart-agents-in-new-role