本词条在父平台中的位置：Memory Bank 是 Google Gemini Enterprise Agent Platform Scale 柱的子组件之一（与 Agent Runtime / Agent Sandbox / Memory Profiles / Agent Sessions 等并列）。本词条 2026-04-28 首次摄取时调研聚焦在 Memory Bank 单组件，把局部当整体处理；同日补摄取父概念后此说明加入。父平台共 4 pillars × 18 组件（Build / Scale / Govern / Optimize）+ 跨切组件 + 配套 TPU 8t/8i 硬件——完整骨架见父概念页。

Memory Profiles 关系澄清：Memory Profiles 是 Memory Bank 的子能力（schema-based structured profiles 用于低延迟召回），不是平行 Scale 柱组件——本词条之前未明确这层。

定义¶

Google 在 Vertex AI Agent Engine 下推出的托管 Agent 长期记忆服务。2025-07-08 公开预览，2025-12 前后 GA，2026-04-22 Cloud Next 上随 Vertex AI 整体改名 Gemini Enterprise Agent Platform 后正式名称为 Agent Platform Memory Bank（详见 google-agent-platform）。算法根基是 ACL 2025 论文 In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents（arxiv 2503.08026）提出的 RMM = Reflective Memory Management 机制。

本词条记录 Memory Bank 的技术形态和它与 sentino-memex / auto-memory / mem0 的对比——是 Sentino 销售姿态需要回答的第二个第三方对照样本（mem0 之外）。与 Memex 同为"后台流水线 + 异步提取"路线，差异在 topic 预定义 + 强制绑 Gemini + scope/IAM 治理内置。

为什么这条值得独立成页¶

Memory Bank 不是 mem0 的轻微变体——它是 mem0 自承 4 大未解问题（staleness / privacy / consent / cross-session identity）里至少 2 个被 Google 给出内置答案的"托管路线代表"。客户面对"我能否用 Memory Bank 替代 Memex" 问题的频率会越来越高，比 mem0 更难回答（mem0 路线代际不同可以差异化，Memory Bank 路线相同必须用具体差异点）。

时间线¶

算法根基：RMM（Reflective Memory Management）¶

ACL 2025 长论文，Google Research 主导，16 位作者。

解决两个文献痛点： 1. Rigid memory granularity：传统记忆方案在固定粒度上摘要，导致语义结构碎片化 2. Fixed retrieval mechanisms：传统检索策略不适应不同对话上下文和用户交互模式

RMM 的双反射机制：

• Prospective Reflection（前瞻性反射）：在 utterance / turn / session 三个粒度做摘要写入个人化 memory bank。"动态摘要 across granularities"
• Retrospective Reflection（回顾性反射）：基于 LLM 引用证据用 online RL 迭代优化检索策略

LongMemEval 上 +10%（vs 无记忆基线）。论文不公开 vs mem0 / MemGPT 横向对比数。

系统架构¶

二层结构¶

• Agent Engine Sessions（短期）：每次会话存 chronological events
• API：CreateSession / AppendEvent / ListEvents
• Memory Bank（长期）：跨会话持久化，从 Sessions 异步提取

Topic 类型架构（Managed + Custom 二分）¶

Managed topics（Memory Bank 预定义、label/instructions 由系统给）：

Custom topics：开发者自定义；建议同时提供 few-shot examples 演示 memory 应该如何提取。

两种写入模式（同一服务两种姿态——Memex 当前没有）¶

• GenerateMemories：异步批提取，按可配置 batching 规则触发——与 sentino-memex flush 模式一致
• CreateMemory：memory-as-a-tool，Agent 显式控制写入时机——与 auto-memory / mem0 一致

这是 Google 把"被动后台提取"和"主动工具调用"两条路线在同一服务下并列。Memex 当前只支持被动提取一种姿态。这是 Memex 在 v2 演进时可考虑的设计点——不是因为 Memory Bank 这么做就要跟，而是两种写入姿态分别覆盖不同 agent 行为模式（被动学习用户 vs 显式记某事），合并成一个服务的工程负担可控。

检索路径¶

• Simple Lookup：拉所有事实（与 Memex <500 active gists 全量返回类似）
• Similarity Search：embedding 检索，按 scope 隔离

Scope（多租户隔离）¶

• Scope 是 arbitrary dictionary，开发者自定义键值对
• 例 {user_id: '123'} 或 {user_id: '123', session_id: '456'} 做 session 级 vs user 级隔离
• 同一 scope 内的 memories 才参与 consolidation —— 跨 scope 不会合并
• 可按 scope keys 分别配置不同的 customization（session 级和 user 级用不同 topics）

比 Memex 的 userId × projectId 二维固定隔离更灵活——Memex 在多客户白标场景下可能需要演进到 arbitrary dict scope。

IAM（治理层，Memex 没有内置对应物）¶

• 默认 project-level IAM
• IAM Conditions 控 memory 资源细粒度访问
• API attribute aiplatform.googleapis.com/memoryScope + Common Expression Language 表达式
• 专用角色：memoryViewer / memoryEditor / memoryUser 防止过度授权
• 最佳实践警告：positive condition（等于 / 存在性）优先，negative condition 在空 scope 下可能错误匹配宽范围资源
• 通用角色：roles/aiplatform.user

抗膨胀机制¶

框架支持¶

• ADK（Agent Development Kit）一等公民：VertexAiMemoryBankService 是默认接入方式
• LangGraph + CrewAI：通过 API 调用形态支持，GitHub 提供示例 notebook
• Express Mode：Gmail 注册即用 API key（免费额度），可平滑升级到 GCP project

与 Sentino Memex / Auto Memory / mem0 的对比矩阵¶

Memory Bank 把 mem0 的 4 大未解问题给了几个内置答案¶

mem0 官方《State of AI Agent Memory 2026》自承的 4 大未解问题：

→ mem0 作为"行业代名词"的稳定性会被挤压。但短期内（半年到一年）mem0 在开源社区的代名词地位还在——客户 PRD 写 mem0 仍主要是行业代名词，不是已选型 Memory Bank。

与 Sentino Memex 的差异化清单¶

Memex 仍保留的差异化（Memory Bank 不具备或路径不同）：

1. Reinforce 机制是 prompt 主动指向已有 gist——Memory Bank 的 GENERATE_UPDATED_TTL 是被动 update 后续期，方向不同
2. 4 级 TTL × 4 类内容的二维结构——Memory Bank 是 topic 一维（managed + custom），重要度和内容类型混在一个轴
3. 夜间合并是显式定时任务——Memory Bank 没有显式合并任务，靠 Gemini 自动 contradiction resolution（类比 auto-dream 整合机制）
4. 不绑 LLM 厂商——Memex 可换 Gemini / Claude / GPT / 国产；Memory Bank 强制 Gemini，对客户多模型策略是约束
5. 可深度定制——Spring Boot 服务可改算法、加字段、调阈值；Memory Bank 是托管服务，自定义边界由 topic API 给定
6. 数据主权——客户数据合规要求高的场景下 Memory Bank 数据在 GCP 是问题，Memex 自建可控

Memex 失去的"代际差异化"（Memory Bank 与 Memex 同路线）： - ❌ "向量检索 vs 文本结构化"——Memory Bank 也走文本结构化路线 - ❌ "后台流水线 vs LLM-in-the-loop"——Memory Bank 也走后台流水线 - ❌ "TTL 自动遗忘"——Memory Bank 也有 TTL

→ 销售姿态调整：sentino-memex-positioning 销售材料应当增加 Memory Bank 列（不只是 mem0 单一对照），并把差异化论点从"路线代际"调整为"自主可控 + 不绑模型 + Reinforce + 4×4 二维 + 数据主权"。

对 Sentino Memex 演进的具体启示¶

Memory Bank 设计中值得 Memex 考虑借鉴的点（不是必须跟，是设计选项）：

1. 两种写入姿态并列（GenerateMemories + CreateMemory）——Memex v2 可考虑增加 memory-as-a-tool 入口，让 agent 在某些场景显式写记忆（如用户说"记住这件事"）
2. Scope 是 arbitrary dict 而非二维固定——Memex 在多客户白标场景下可能需要演进到 arbitrary dict scope（不只是 userId × projectId）
3. Memory revisions + IAM 可审计——客户合规要求场景下，Memex 需要补可审计层（DB 直查不够，需要 API 层暴露 revision 历史）
4. Topic 概念化——Memex 当前的 4 类（event / info / schedule / ai_insight）和 Memory Bank 的 4 个 managed topics 概念近似，可对照看是否漏了重要 topic 类型

完整研究链路：→ 2026-04-28-memex-v2-design-options（4 个借鉴点的工程拆解 + 排期建议 P1/P2/P3 + 反建议 + 4 项不变量不应触及）

何时用 Memory Bank 是合理选择¶

• 客户已深度用 GCP 全栈（Gemini API + Vertex AI + Workspace），Memory Bank 是该栈的一等公民
• 不希望自建记忆服务、不需要深度定制
• ADK 框架开发的 agent，Memory Bank 是默认接入
• 需要内置 IAM/audit 治理且不愿自己实现的合规场景

不适合用 Memory Bank 的场景¶

• 多模型策略（不愿被绑定 Gemini 一家）
• 数据主权要求（客户数据不能进 GCP）
• 需要深度定制 TTL / 重要度算法 / 合并策略
• 需要 Reinforce 这种"主动续期已有记忆"机制
• 单用户低频对话场景（auto-memory Claude Code 路线更合适）

待观察¶

• Memory Bank GA 后的实际企业客户案例（Google 公布的 case studies 多大规模？）
• LongMemEval 之外的横向 benchmark（vs mem0 / MemGPT 实测对比）
• ADK 在企业内的渗透率——决定 Memory Bank 是否成为"企业级 Agent 记忆"事实标准
• 2026 内是否有"开源 RMM 实现"出现（论文公开，复现门槛中等）

相关概念¶

• google-agent-platform — 父平台：Memory Bank 是 Scale 柱的子组件之一；父页含 4 pillars × 18 组件完整骨架 + Sentino 战略含义
• sentino-memex — 同路线（后台流水线 + 异步提取 + 抗膨胀）的自建对照，Memex 是 Memory Bank 的"自建版"
• auto-memory — 反向路线：单姿态（LLM-in-the-loop）+ 严格写入边界 + 本地文件
• auto-dream — Memory Bank 的 "Gemini 自动 contradiction resolution + consolidation" 对应 Auto Dream 整合机制
• mem0 — 路线不同（向量检索）但同为第三方方案，Memory Bank 把 mem0 自承的 4 大未解问题给了部分内置答案
• harness-engineering — Memory Bank 是 Harness Environment 层的托管化版本（"记忆系统"组件外包给厂商）
• process-data-vs-output-data — Memory Bank 4 个 managed topics 都属"产出数据"轴（用户偏好 / 对话结论 / 个人信息），未涉过程数据轴
• individual-vs-institutional-ai — Memory Bank IAM/audit/scope 三件套是"组织 AI（Deterministic）"形态的具体落地
• yukai-agora-poc — Memex 首次对外白标客户战；客户从"PRD 写 mem0"到"PRD 写 Memory Bank"的演进路径需销售姿态预警
• sentino-agent — 平台对外定位锚点需补充 Memory Bank 列