在此基础上演化出了 Agentic RAG。Agent 开始参与决策流程，可以判断是否需要进行检索，选择具体的数据源，并对检索结果进行有效性验证。但其核心限制依然存在：系统仍然是只读的，无法从交互过程中进行学习。对话结束后，状态被清空，知识不会被积累。本质上，Agentic RAG 只是通过工具调用实现的只读 RAG。
真正发生范式转变的是 AI Memory 的引入。在这一阶段，Agent 不仅可以读取外部知识，还可以向外部知识结构中写入信息。系统能够从历史对话中学习，记住用户偏好、过往上下文以及关键事实，从而实现长期个性化。更重要的是，这引入了持续学习（Continual Learning）的能力。Agent 不再被固定在训练完成的状态，而是可以在不重新训练模型的前提下，通过每一次交互不断积累知识并提升能力。Memory 架起了静态模型与真正自适应 AI 系统之间的桥梁。
从心智模型的角度来看，这一演进过程可以概括为：RAG 是只读、一次性的；Agentic RAG 是通过工具调用实现的只读；Agent Memory 则是通过工具调用实现的可读写系统。关键差异不在于是否能够检索信息，而在于是否能够记忆、积累并持续演化。
当然，Memory 并非没有代价。它带来了 RAG 时代并不存在的新挑战，例如记忆污染（memory corruption）、遗忘策略的设计，以及多种记忆类型的管理问题，包括程序性记忆（procedural memory）、情节性记忆（episodic memory）和语义记忆（semantic memory）。从零开始解决这些问题，在工程上具有相当高的复杂度。
在实践层面，如果目标是构建不会遗忘、具备自我演化能力的 Agent，可以采用 Cognee 这样的开源 AI Memory 框架。它通过实时知识图谱来构建和管理 Agent 的记忆层，封装了记忆构建、更新和检索等复杂逻辑，从而显著降低实现成本。
总结来说，RAG 主要解决的是信息检索与增强生成的问题，而 Memory 解决的是学习与演化的问题。真正拉开下一代 AI Agent 能力差距的，不是 Prompt 设计，而是 Memory System 的设计与实现能力。
##