在 Swanson 提出独立记忆层之前，LangChain 是业界最主流的 Agent 记忆方案。它的四种模式各有取舍： ConversationBufferMemory 原样保留全部历史，token 线性增长； ConversationBufferWindowMemory 只保住最近 K 轮，早期信息一刀切； ConversationSummaryMemory 用总结压缩长程信息，但摘要本身耗 token 且可能丢细节； ConversationSummaryBufferMemory 混合前两者——token 未超限时存原始，超限后从最旧开始摘要。Swanson 的批评正是基于这些方案的本质短板：它们只是把上下文窗口的逻辑搬到外部存储，没有真正设计为可治理、可评估的独立系统层。

LangChain 记忆模块定位为「基础工具包」——提供对话、实体、长期存储三类实现，以 BaseMemory 接口统一，开发者自行组装，适合简单场景或深度定制。mem0 则直指长期记忆问题，用结构化记忆单元 + 分层存储 + 动态管理实现自动更新与清理，降低维护成本，定位为「智能专用方案」。两者非替代关系：mem0 管长期、LangChain 管短期的组合已在生产实践。Swanson 的独立记忆层思路更接近 mem0 的出发点，但他对「反馈闭环」「检索多样性」的强调远超 mem0 当前实现。

行业报告将 2025 年定义为 Agent 记忆架构的「上下文 → 连续性」拐点。当前大模型 70%~90% 的推理 token 被重复用于重传历史信息，记忆缺失使 Agent 沦为反应式工具。已出现清晰分层：Mem0 以混合向量+图结构实现约 26% 的准确率提升与 91% 的延迟降低；Zep 强化可衡量性与合规；LangGraph 嵌入工作流状态。趋势上看，记忆正从「存储层」演化为「认知基础设施」，未来两年将与评测基准、隐私治理和多 Agent 协同深度耦合。焦点会是记忆复用率能否真正降低推理边际成本，而不是模型参数规模。

HaluMem 论文指出，记忆系统在提取、更新、检索三个环节都可能出错——AI 助手把你的新职位说错，可能不是回答时「瞎编」，而是当初整理时就记错了职位（提取错误），或者保留了旧记录没更新（更新失败）。Swanson 强调写入前的去敏与检索时的反馈排序，但未深入讨论「记忆污染」的传播机制。更棘手的是，2026 年 EMNLP 的评测显示，当前主流记忆系统在七类记忆幻觉上的综合故障率超过 50%。这事真正值得问的：当记忆层成为 Agent 的「长期依赖」之后，污染检测与自动修正应该作为架构的原生组件，还是事后补丁？