AIStor Memory：面向 AI Agent 的企业级长期记忆层

2026 年 7 月 29 日，MinIO 发布了 AIStor Memory，将其定位为面向企业 AI Agent 的持久化记忆基础设施。它试图解决的并不是“如何让模型拥有更大的上下文窗口”，而是另一个更偏系统的问题：当 Agent、模型、容器和执行框架不断变化时，企业如何持续保存 Agent 已经形成的知识、任务状态、工作产物与执行权限。

AIStor Memory 当前处于 Tech Preview。从已经公开的资料看，它更接近一个建立在 AIStor 对象存储之上的 Agent 状态与组织记忆平台，而不是传统意义上的向量数据库。

为什么 Context Window 不是 Memory

大模型的 Context Window 是单次推理的临时工作集。它承载当前请求的指令、证据、工具输出和部分历史，但推理结束后，这些内容不会自然转化为组织可复用的持久知识。

现实中的常见做法是：每次启动 Agent 时重新加载聊天记录、历史摘要和相关文件，再将它们发送给模型。MinIO 将其中的额外代价称为 amnesia tax，失忆税：

• 成本：相同历史反复消耗输入 Token；
• 延迟：不断扩大的输入拖慢后续推理与工具调用；
• 质量：真正相关的证据容易被重复对话和旧噪声淹没，已经纠正的错误也可能再次出现。

因此，扩大上下文窗口只能提高一次推理能够容纳的信息量，却不能自动解决跨任务的状态保存、知识整理、版本管理、权限控制和来源追踪。

AIStor Memory 的目标是把值得跨任务保留的内容沉淀为持久记忆，并在后续任务中只选择与当前目标和访问策略相关的部分。

它试图解决什么基础设施问题

当前生产级 Agent 的持久状态通常分散在多个系统中：

• 对话事实和用户偏好进入向量数据库；
• 文件、中间结果和模型产物进入对象存储；
• 工作流状态进入关系数据库或 checkpoint store；
• API Key 和 Access Token 进入 Secret Manager；
• 工具调用轨迹进入日志或可观测系统；
• 每个 Agent 框架还可能维护一套独立的 memory schema。

这种拼装方式带来三类问题。

第一，生命周期不一致。临时草稿、长期结论、执行日志和敏感凭据常常使用相同的保留策略。

第二，来源关系断裂。Agent 得出的结论与原始证据被存放在不同系统中，后续很难判断一个记忆为何成立、何时失效以及应该如何更新。

第三，Agent 和框架绑定。更换模型、运行时或编排框架时，历史状态往往需要迁移、重建甚至直接丢弃。

AIStor Memory 的核心主张是：将这些状态放在同一个企业控制的数据基础设施中，但仍为不同类型的数据设置独立边界。

整体架构

公开产品页面展示了一个从 Agent 框架到 AIStor 数据底座的分层结构。上层可以是 LangGraph、CrewAI、Claude Code、Cursor 或自定义 Agent；中间通过 CLI/API、HTTPS 或 POSIX 目录挂载完成 Capture、Retrieve、Update 和 Search；底层则复用 AIStor 的对象持久化、数据保护、加密和治理能力。

flowchart TB
A[Agent 与应用
LangGraph / CrewAI / Coding Agent] --> B[CLI / API / HTTPS / POSIX Mount]
B --> C[Capture / Retrieve / Update / Search]
C --> D1[Long-term Memory]
C --> D2[Workspace]
C --> D3[Vault]
D1 --> E[AIStor Objects / Tables / Governance]
D2 --> E
D3 --> E

这里最重要的设计并不是所有内容都进入同一个逻辑空间，而是共享同一个存储与治理底座，同时区分三种状态：

• Long-term Memory：组织已经形成、应当影响未来任务的知识；
• Workspace：Agent 正在处理但尚未成为正式知识的活动状态；
• Vault：Agent 执行获批任务时可以获得的敏感凭据和权限。

可以将其概括为：

Knowledge ≠ Working State ≠ Authority

即 Agent 知道什么、正在处理什么，以及被允许做什么，不应该混在同一个命名空间和权限域中。

AIStor Memory 的核心组成

Agent Biography：Agent 的执行履历

Agent Biography 是 AIStor Memory 最具辨识度的设计之一。它为 Agent 的每次运行形成按时间组织的记录，包括：

• 对话和任务目标；
• Agent 查看过的证据；
• 工具调用和产生的文件；
• 作出的决定与得到的结果；
• 人类反馈和修正；
• 尚未完成的工作；
• 运行过程中形成的关系和技能。

它不是普通的聊天历史，而更接近带有语义、时间和来源信息的 Agent execution journal。当另一个获授权的 Agent 接管任务时，它不仅能看到最终文件，还可以理解先前工作检查了什么、为何做出某个决定，以及哪些问题仍未解决。

官方资料同时强调，Biography 的自动捕获仍受访问策略约束，并不意味着系统会无条件记录或暴露所有信息。

Open Memory：可检查、可迁移的开放记忆

AIStor Memory 强调将知识保存在开放、结构化的文档中，而不是只存在于某个不透明的向量索引或特定 Agent 框架内部。

这些记忆原则上可以被人类和获授权的 Agent：

• 直接检查和理解；
• 搜索与检索；
• 版本化和更新；
• 共享或迁移；
• 在知识失效后废弃或删除。

这意味着 Memory 被视为一种可治理的数据资产，而不只是 embedding 数据库中的向量条目。

Skills：从历史任务中积累的可复用能力

产品页面还将 Skills 作为长期记忆的一部分。它表示 Agent 在多个任务中积累的可复用能力，例如经过验证的操作流程、工具使用模式、代码修改方法或组织内部最佳实践。

从认知分类上看，可以将三类内容粗略对应为：

• Agent Biography：情景记忆，记录发生过什么；
• Open Memory：陈述性记忆，记录组织知道什么；
• Skills：程序性记忆，记录任务应该怎样完成。

不过，MinIO 目前尚未公开技能如何自动抽取、验证、合并和回滚。因此，Skills 更适合被视为产品的数据模型与发展方向，而不是已经通过公开实验充分验证的算法能力。

Workspace：跨运行时持续存在的活动工作区

Workspace 保存 Agent 正在处理但尚未被正式接受为长期知识的内容，例如：

• 任务计划和草稿；
• 附件、代码和中间文件；
• checkpoint 和工具输出；
• 已检查的实验结果；
• Agent 之间的任务交接。

它的价值在于将易失计算与持久工作状态分离。Agent 可以运行在 Kubernetes Pod、临时容器或沙箱中，即使运行环境被销毁，工作区仍可由后续获授权的 Agent 继续使用。

同时，Workspace 与 Long-term Memory 的分离避免了另一个常见错误：把每一个临时草稿和未验证输出都直接晋升为组织知识。

Vault：独立管理 Agent 的执行权限

Vault 用于保存 Agent 执行任务所需的 API Key、Token、证书、加密密钥和其他 Secret。

根据 MinIO 的说明，Secret 被加密存放在客户自己的 AIStor 中，密钥由 MinKMS 控制；获授权任务只在需要时获得范围受限的凭据。Vault 与长期知识和活动工作区保持独立，避免模型上下文、普通文件和高权限凭据混杂。

最值得关注的洞察：记忆应当与证据共存

AIStor Memory 对 Agent Memory 的一个重要定义是：

Memory 是 Agent 从数据中提炼出来、值得在任务结束后继续保留的含义。

例如，在一次运维故障处理中：

• 日志、告警和 Runbook 是原始证据；
• “事故由连接泄漏引起”是 Agent 或人类接受的结论；
• 分析报告和修复脚本属于 Workspace 产物；
• 执行修复所需的数据库凭据属于 Vault；
• 这次调查的步骤、失败尝试和最终结果属于 Agent Biography。

传统系统通常将这些数据分散在多套基础设施中。AIStor Memory 希望让来源证据、派生知识和工作状态处于同一个治理域，使记忆可以保留 provenance，并在证据变化后被检查、更新或废弃。

这种设计比简单的向量检索链路更完整：

Evidence
   ↓
Agent trajectory
   ↓
Decision / conclusion / skill
   ↓
Provenance + version + policy + lifecycle

因此，AIStor Memory 当前最明确的价值并不是提出新的 embedding 或 Top-K 算法，而是把记忆的数据管理属性提升为系统的一等公民。

与其他 Agent 记忆和存储系统的区别

它的竞争重点不是“谁的向量检索更快”，而是能否把分散的 Agent 状态组织成持久、可审计、可共享、可迁移的数据基础设施。

不要与 MinIO MemKV 混淆

AIStor Memory 和 MemKV 都使用了“Memory”概念，但它们处于完全不同的系统层次。

AIStor Memory

AIStor Memory 管理的是显式、语义级的 Agent 状态：

• 组织知识和决策；
• Agent 运行履历；
• 文件和工作产物；
• 可复用技能；
• 凭据和权限。

它面向跨会话、跨 Agent 和长期保存，访问接口包括 HTTPS、API 和 POSIX 挂载。

MemKV

MemKV 管理的是模型推理阶段的计算状态，主要是 KV Cache 和已经计算的上下文表示。它面向 GPU 推理数据路径，希望利用共享 NVMe 容量减少前缀重新计算，并降低 TTFT。

可以将两者放入同一条记忆层次中理解：

模型参数
   │
HBM 中当前请求的 KV Cache
   │
MemKV：跨 GPU、跨请求共享的计算态上下文
   │
AIStor Memory：语义记忆、Agent 履历、Workspace、Skills、Vault
   │
AIStor Objects / Tables：原始数据和证据

对下一代 Agent 基础设施而言，这种分层具有较强启发性：MemKV 管理 hidden memory，AIStor Memory 管理 explicit memory，Workspace 管理可修改状态，而 Objects/Tables 保存事实和来源证据。

当前局限与需要继续观察的问题

检索机制尚未充分公开

官方表示 AIStor Memory 会识别并组装与当前任务最相关的上下文，但尚未公开关键实现细节，例如：

• 使用向量、关键词、关系图还是混合检索；
• 如何同时处理时间、权限和任务范围过滤；
• 如何控制召回内容的 Token 预算；
• 如何发现相互冲突或已经过期的记忆；
• 如何评估检索的 recall、precision 和端到端效果。

这些问题将直接决定长期记忆在真实 Agent 工作流中的质量。

“Infinite Context”更接近容量表述

MinIO 在新闻稿中使用了 Infinite Context，其准确含义是记忆容量随底层存储扩展，而不是模型一次推理可以读取无限信息。

模型最终仍然只能接收被检索和组装进 Context Window 的有限内容。因此，“能够长期保存”不等于“能够准确找回”，更不等于模型一定能够正确使用这些内容。

暂无公开性能与质量基准

截至发布时，MinIO 尚未公开完整的检索质量、写入开销、索引规模、并发能力和端到端 Agent benchmark。产品也仍处于 Tech Preview 阶段，公开 API、数据格式和部署细节有限。

长期记忆生命周期仍然困难

如果系统长期保留所有 Agent 记录，最终一定会出现：

• 重复和相互矛盾的记忆；
• 已经过期的知识和策略；
• 错误技能或错误归因；
• 来源证据失效；
• 权限变化后不应继续暴露的历史。

因此，成熟的 Agent Memory 系统仍需要 consolidation、conflict resolution、versioning、decay、policy-aware retrieval 和 deletion 等机制。AIStor 提供了适合承载这些能力的治理底座，但公开资料尚不足以判断它已经在多大程度上解决这些问题。

对下一代 AI 文件系统的启发

AIStor Memory 最值得借鉴的不是某个具体检索算法，而是它对 Agent 持久状态的重新分类：

Source Data：原始事实与证据
Long-term Memory：经过接受、可长期复用的知识
Biography：Agent 的执行轨迹与经历
Workspace：正在演化的任务状态
Skill：可复用的操作能力
Vault：执行权限
Hidden Memory：KV Cache 与 Hidden States

下一代 AI 文件系统不能只提供“Agent 可以读写的目录”，还应进一步提供：

1. 不同状态类型的独立命名空间、权限边界和生命周期；
2. Memory 到原始证据的双向 provenance；
3. 从 Workspace 向 Memory 或 Skill 晋升的验证流程；
4. 跨 Agent 的授权共享、任务交接和隔离；
5. 记忆版本、冲突、过期、撤销和删除机制；
6. 显式语义记忆与 KV Cache 等隐藏记忆之间的统一策略面；
7. 人类可以直接检查和审计的开放数据格式。

其中最关键的系统抽象可能不是传统文件，而是一个带有来源、版本、策略和生命周期的 memory object。Agent 文件系统负责的不只是保存字节，还需要描述一段状态为何存在、由谁产生、依赖哪些证据、可以被谁使用，以及何时应该失效。

我的判断

AIStor Memory 代表了一个明确的产业方向：Agent Memory 正从应用层 SDK 和向量数据库插件，逐步演化为独立的企业数据基础设施。

它当前的创新主要体现在统一数据模型、状态分类、客户数据主权和企业治理，而不是已经公开的新型记忆检索算法。Agent Biography、Workspace 与 Vault 的边界设计较为合理，也非常适合长时间运行、频繁中断和需要多 Agent 交接的生产工作流。

但目前仍应克制看待其技术成熟度。AIStor Memory 处于 Tech Preview，检索算法、数据格式、API、性能数据和 benchmark 都没有充分公开。“无限上下文”也不能被理解为无限模型上下文，它仍然依赖高质量的记忆筛选与组装。

总体上，AIStor Memory 的重要性不在于它已经解决了 Agent 长期记忆的全部问题，而在于它把一个长期被当作应用功能的问题，重新定义成了存储、数据管理与治理问题。

参考资料

• AIStor Memory 产品页面
• Introducing AIStor Memory: Long-Term Memory For AI Agents
• MinIO Launches AIStor Memory, the Enterprise Memory Foundation for Agentic AI
• MinIO Announces MemKV, Purpose-Built Context Memory Store for AI Inference
• MinIO AIStor 文档