一句话定义
记忆中心持续学习（Memory-Centric Continual Learning）是一种把「记忆该记什么、怎么存、怎么读、什么时候该忘」本身当作训练目标的持续学习思路，而不只是给一个冻结的模型外挂一个检索库。
它要解决的两个问题
一个长期陪你工作的 AI 智能体（Agent），会不断遇到新任务。传统做法是AI 词典：检索增强生成">检索增强生成（Retrieval-Augmented Generation, RAG）：模型参数不动，把历史对话和资料丢进向量数据库（Vector Database），需要时检索几条塞回上下文。
这就像一个从不整理笔记的人：本子越记越厚，每次用都靠关键词翻，翻到的可能是三年前就已经作废的信息。两个毛病很明显——记什么由规则决定，模型没学过「这条值不值得记」；读回来的旧记忆可能是过期的、和当前任务冲突的，这就是记忆污染（Memory Interference）。
另一头，如果直接让模型在新任务上继续训练，又会遇到灾难性遗忘（Catastrophic Forgetting）：学会了新活，忘了旧活。
记忆中心持续学习认为这两个问题来自同一个根源：记忆的读写策略从来没有被优化过——只被当成外挂工程，没被当成学习对象。
打个比方
想象一个换过五次行业的职场人。
- 外挂检索：所有文件堆在一个硬盘里，每次靠搜索。搜得到，但不知道哪份是旧版。
- 纯微调：每换一次工作，就把旧经验硬改成新经验，结果老本行的手感没了。
- 记忆中心：训练自己一套归档习惯——什么进项目文件夹、什么标「已废弃」、什么直接删。习惯本身是可以练的，练好了，新旧两不误。
关键差别在于：前两者里，「怎么整理」是人定的死规则；后者里，「怎么整理」是被数据和反馈打磨出来的能力。
和相邻概念的区别
| 维度 | 检索增强（RAG） | 传统持续学习 | 记忆中心持续学习 |
|---|---|---|---|
| 模型参数 | 冻结 | 更新 | 更新，记忆读写也参与优化 |
| 记忆在哪 | 外部向量库 | 隐式沉淀在参数里 | 显式可写记忆 + 参数协同 |
| 遗忘 | 不遗忘也不筛选 | 主要目标是防遗忘 | 该防的防，该忘的主动忘 |
| 主要风险 | 检索噪声、过期信息 | 灾难性遗忘 | 遗忘与污染之间的平衡 |
一句话：RAG 关心「取得回来」，持续学习关心「学得进去」，记忆中心关心的是「记得住、找得准、也敢删」。
对从业者和普通人的意义
对从业者：给长时智能体（Long-Horizon Agent）加记忆时，别停在「接个向量库」。要设计写入策略（什么值得写、以什么形式写）、时效与冲突消解（新旧信息矛盾时信谁）、以及遗忘机制。更重要的是，把这些策略放进训练和评测的闭环里，而不是靠拍脑袋写 prompt。
对普通人：你希望 AI 助手记住你的口味、作息、项目背景，但也希望它在你换岗、搬家、改需求之后，别再拿旧偏好说事。记忆中心持续学习要的就是这件事——记住有用的，删掉过时的，两者是同一个能力的两面。
不同产品的记忆机制差异很大，具体行为以官方文档和实际体验为准。