检索准确率 100%，任务照样翻车？检索对了反而更坑：Agent 记忆评测被曝只考「找得到」不考「用对没」

大白话简单说，现在很多 AI 智能体的「记忆」评测，只问一句：它能不能从聊天记录或项目历史里翻出相关内容？但翻出来不等于用对了。文章举了个例子：项目早期笔记写着用 PostgreSQL，几周后已经迁到 MySQL，智能体却因为旧笔记「语义相关」把它捞出来，检索这步算成功，可照着做就写错了代码。用户偏好变了、团队规则更新了、两条旧笔记互相打架，都是同样的问题。文章认为，好的记忆评测得把时间变化、冲突证据、无关噪音都算进去，还得看最终任务有没有真的完成。

对你意味着如果你在做 AI 智能体、AI 编程助手或长期记忆产品，这套评测思路直接决定你的系统会不会「记了反而更蠢」；普通用户也能理解为什么 AI 有时会一本正经引用过时信息。