在人工智能领域，如何让大模型（LLM）拥有长期、准确且连贯的记忆，一直是开发者面临的重大挑战。传统的检索增强生成（RAG）技术虽然在一定程度上解决了上下文丢失的问题，但在实际应用中，高昂的向量检索成本、模糊的语义匹配以及潜在的“幻觉”问题依然制约着其性能上限。近日，Google Cloud 在其生成式 AI 仓库中发布了一项名为“Always-On Memory Agent”的创新参考实现，试图通过一种全新的架构范式，彻底颠覆现有的 AI 记忆机制。
这项技术的核心突破在于将“记忆”视为一个持续运行的进程，而非静态的存储库。与传统的 RAG 系统通常在需要查询时才去检索外部向量数据库不同，Always-On Memory Agent 基于谷歌的应用开发工具包（ADK）构建，并深度利用了最新的 Gemini 3.1 Flash-Lite 模型。它摒弃了繁琐的向量数据库和嵌入模型，转而使用轻量级、高效的 SQLite 数据库来存储结构化的记忆数据。
其工作流程由一个编排器驱动，调度三个关键的子代理全天候（24/7）协同工作：首先是 Ingest（摄入） 子代理，负责读取并解析新输入的信息；其次是 Consolidate（整合） 子代理，利用大模型的推理能力将碎片化的信息连接、归纳并写入 SQLite；最后是 Query（查询） 子代理，根据用户指令从结构化数据库中快速检索精确答案。这种“边用边记、实时整合”的模式，有效解决了大模型在长对话中忘记上下文的问题。
从行业影响来看，这一技术为构建下一代智能个人助理和企业级知识库提供了强有力的工具。SQLite 的结构化存储不仅意味着更低的运维复杂度和更高的数据安全性，还大幅提升了检索的准确性和响应速度。相比于依赖向量的模糊搜索，结构化数据的查询效率更高，且能更精确地匹配用户意图。随着 Always-On Memory Agent 的开源，开发者将能够更轻松地构建出拥有长期记忆、反应更敏捷的 AI 应用，标志着 AI 记忆架构正在从“检索驱动”向“常驻整合”演进。
信息来源：MarkTechPost
原文链接：https://www.marktechpost.com/2026/07/18/google-clouds-always-on-memory-agent-replaces-rag-and-embeddings-with-continuous-llm-consolidation-on-gemini-3-1-flash-lite/
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/07/18/google-clouds-always-on-memory-agent-replaces-rag-and-embeddings-with-continuous-llm-consolidation-on-gemini-3-1-flash-lite/
封面图片来源：Unsplash / 摄影师 appshunter.io
