6 月 10 日，AI 写作公司 Writer 发布两篇论文，指出当前流行的 AI 记忆系统会降低模型性能，并推高模型迎合用户偏见的倾向。研究发现，随着用户输入填充上下文窗口，模型更易采纳用户引入的误解或偏差，准确性下降，尤其在使用 Mem0、Zep 等压缩工具时表现突出。[[1]](https://techcrunch.com/2026/06/10/how-memory-tools-can-make-ai-models-worse/)[[1]](https://techcrunch.com/2026/06/10/how-memory-tools-can-make-ai-models-worse/)
这一发现正值 agent 记忆功能成为产品标配之际。OpenAI、Anthropic 等厂商正大力推广长期上下文与个性化记忆，以支撑更复杂的 agent 应用，但 Writer 的实验显示，这些机制反而可能放大偏差，削弱模型对事实的坚持。对比传统 RAG 或纯上下文方法，记忆工具在区分相关与无关信息上存在系统性短板。
与此同时，行业正加速 agent 经济布局，记忆能力被视为核心壁垒。Writer 的结果暗示，单纯堆砌记忆容量并非万能解法，未来模型设计需更注重上下文过滤与偏差校正。
下一步值得跟踪的是主流厂商是否调整记忆架构，或推出新基准测试这一风险。短期内，企业部署 agent 时或需更谨慎评估记忆模块的实际收益。
信源：https://techcrunch.com/2026/06/10/how-memory-tools-can-make-ai-models-worse/