代理記憶不是更大的上下文視窗，不是草稿紙，也不是一疊 markdown 檔案——它是一個系統性問題，需要記憶形成、混合檢索、整併、治理與回饋迴圈，而且全部要有持久化儲存撐底。這就是甲骨文 AI Database 開發者推廣者 Anders Swanson 在這場 18 分鐘演講中的核心論點。標題的框架（「從上下文到記憶」）說得沒錯，但低估了涵蓋範圍：這一集主要是技術架構的逐步拆解——記憶型別、儲存結構、混合搜尋機制與失效模式——而不是產品推銷，甲骨文自家的內容只出現在結尾簡短帶到的 Python SDK 與開發者中心。 Swanson 的核心主張是：上下文視窗是當前這次執行的輸入，不是持久化
這場演講的核心論點是：單靠檢索並不等於代理記憶。Neo4j 產品經理 Will Lyon 主張，代理需要的是「彼此相連、有型別、可追溯，而不只是可檢索」的知識——而缺的那一層，就是情境圖（context graph）：它不只捕捉實體與訊息，還捕捉代理自身的推理與行動。標題承諾的「真正管用的技能」確實有兌現，但只出現在後半段：前半段是代理記憶的框架（短期、長期、推理），技能蒸餾的內容則直接建立在其上。對技術聽眾而言，最可轉移的概念是：技能應該從觀察到的代理執行紀錄中蒸餾成受 schema 治理的執行圖，而不是手寫的散文，這樣才能被治理、版本控管，並在底層資料變動時被偵測為過時。 Lyon 用一
這場演講的核心論點是：代理記憶（agent memory）應該被視為一套讀寫迴圈，而不是一項儲存功能——一段執行軌跡（trace）唯有在從中萃取出教訓、並將其寫回成為能改變下一次執行的持久化上下文（durable context）時，才真正成為記憶。LangChain 旗下 Labs 團隊負責人 Jake Broekhuizen 以一家金融服務客戶為例鋪陳這個論點：該客戶正在打造一個負責支出、預算與「不提供投資建議」的代理，但這個代理的語氣不斷從「建議」滑向「指令」，形成合規問題；客戶原本靠人工檢視執行軌跡來修正，但這種做法無法規模化。 Broekhuizen 開出的處方是一套三階段迴圈——