从非结构化回想到模式锚定记忆：经由迭代、模式感知的抽取实现可靠AI记忆

持久化AI记忆常被简化为一个检索问题：把先前的交互存为文本、做嵌入，再让模型日后找回相关上下文。这种设计对主题式回忆有用，但与智能体在生产环境中需要的记忆类型并不匹配：精确事实、当前状态、更新与删除、聚合、关系、否定查询以及显式未知项。这些操作要求记忆的行为更像一套记录系统（system of record），而不像搜索。本文主张，可靠的外部AI记忆必须以模式（schema）为锚。模式定义了必须记住什么、可以忽略什么，以及哪些值绝不可推断。我们提出一条迭代的、模式感知的写入路径，将记忆摄取分解为对象检测、字段检测和字段值抽取，并配备验证门、局部重试和有状态的提示控制。其结果是把解释从读取路径转移到写入路径：读取成为对已验证记录的受约束查询，而非对检索到的文本反复推断。我们在结构化抽取和端到端记忆基准上评估这一设计。在抽取基准上，judge-in-the-loop配置达到90.42%的对象级准确率和62.67%的输出准确率，高于所有受测前沿结构化输出基线。在我们的端到端记忆基准上，xmemory达到97.10%的F1，而第三方基线为80.16%–87.24%。在应用级任务上，xmemory达到95.2%的准确率，优于专用记忆系统、代码生成的Markdown测试框架以及面向客户的前沿模型应用框架。结果表明，对于需要稳定事实和有状态计算的记忆工作负载，架构比单纯的检索规模或模型能力更为重要。