你告诉 AI 一项偏好，几天后它忘了。问题可能不在“没找回来”，而在当初就被判定为“不值得记”。Reddit 用户 derspenti 质疑的，正是许多 Agent 记忆层——在当前对话之外保存长期信息的组件——常见的写入流程：每轮对话先调用一次大语言模型，让它筛选、改写、分类并打分。这样不仅多一次计算请求，也把信息的去留交给了难以复查的判断。
他的主张很直接：拿掉这道模型筛选，只保留存储、生成 embedding（把文本转换成便于相似度检索的数字表示）和检索。这样记忆虽然更原始、更嘈杂，但人能直接检查：究竟是当初没存，还是后来没搜到。作者称自己使用 memU，核心约 500 行代码，提供 commit、list、retrieve 三项操作；内容以可读 Markdown 保存，并在本地 SQLite 数据库中建立索引。
代价也很明确：没有模型提炼后，检索必须更可靠；系统仍需要 embedding 服务，单机版也不能跨设备同步。作者还表示，小型 embedding 模型对事实和操作步骤的召回尚可，对抽象内容和偶然提过的偏好则不够稳定。这不是已经验证的胜负结论，而是一种值得测量的取舍：整洁但难审计，还是嘈杂却看得见。