AI Agent的记忆，正在回归一种极其原始的形态。
提到AI Agent的记忆，我们通常会想到复杂的RAG流水线、向量数据库、知识图谱。各大厂商似乎都在竞相构建一个精密的“第二大脑”，试图通过复杂的处理流程，让Agent更聪明地记住和调用信息。这看起来是理所当然的进化方向。
但最近有人提出：Agent的记忆不应该是一个复杂的“处理过程”，而应该是一个极其简单的“数据格式”。简单说，就是一堆Markdown文件，外加一个可选的SQLite向量索引。
这个看似“倒退”的设计，背后有非常清晰的逻辑拆解：
第一，效率。复杂的知识图谱需要Agent像人一样，通过链接一步步“遍历”查找，这涉及多次工具调用，非常缓慢且不可靠。而简单的文件+向量索引，允许Agent通过一次“语义跳跃”直接定位到所有相关文件，一次性读取。速度和准确性都更高。
第二，模型原生性。大模型本身就是在海量文本（包括Markdown和代码）上训练出来的，它们天生就懂得如何处理文件。强迫它们去学习一套复杂的、专有的API接口，反而是一种束缚。让模型用自己最擅长的方式（比如直接读写文件、甚至调用命令行工具）去管理记忆，才能最大化释放它们的能力。这叫“让模型做更多，让机制做更少”。
第三，开放性。一旦你的Agent记忆被锁定在某个特定厂商的复杂系统中，迁移成本将是巨大的。而一个开放的文件格式，意味着你的Agent记忆是可移植、可互换的，不被任何平台绑定。
大厂倾向于构建复杂的、平台化的记忆系统，因为这能形成生态护城河，锁定用户和开发者。而“记忆即文件”这种简单、开放的思路，则赋予了开发者极大的自由度，瓦解了平台的控制力。它让构建强大且独立的Agent变得门槛更低。
最终，这不仅是技术路线之争，更是平台控制权与开发者自由度的博弈。