智能体记忆系统使大语言模型智能体能够在长期交互中维持状态，支持超越固定上下文窗口的长程推理与个性化。尽管架构发展迅速，但这些系统的实证基础依然脆弱。现有基准测试往往规模不足，评估指标与语义效用存在偏差，性能在不同骨干模型间差异显著，且系统级成本常被忽视。

本研究从架构和系统两个视角，对智能体记忆进行了结构化分析。首先，基于四种记忆结构，提出了一个简洁的MAG系统分类法。随后，深入剖析了限制当前系统的关键痛点，包括基准测试的饱和效应、评估指标的有效性与评判敏感性、依赖于骨干模型的准确性，以及记忆维护带来的延迟与吞吐量开销。

通过将记忆结构与实证局限联系起来，本研究阐明了为何当前的智能体记忆系统表现常低于理论预期，并为更可靠的评估和可扩展的系统设计勾勒出方向。研究强调了在追求架构创新的同时，必须夯实评估基础并全面考量系统成本，以推动智能体记忆技术的稳健发展。