Agentforce Memory更新：底层架构未动，只改记忆策略就让会变的事实召回翻倍
核心概要
Salesforce AI Research 更新了 Agentforce Memory 的记忆策略，让智能体把客户后来改口的信息当作对旧事实的更正，而不是另存一条新事实。评估在运行中的 Agentforce 系统上进行，用 ConvoMem 基准生成跨多轮会话、沿途埋入特定事实的长对话，再就这些事实提问。更新后的策略对客户明确陈述的事实召回量是旧策略的 1.8 倍，对随时间变化的事实是 2.2 倍，而底层架构没有改动。
深度剖析
智能体记住客户几个月前改过的信息，现在有了可量化的改善：Salesforce AI Research 更新 Agentforce Memory 的记忆策略后，智能体对客户明确陈述事实的召回量提高到旧策略的 1.8 倍。 此前即使最先进的智能体也可能漏掉客户后来更新的信息，因为基于旧事实生成的回答和基于当前事实生成的回答读起来一模一样，智能体自身无法区分。 这一比较来自在运行中的 Agentforce 系统上执行的评估，评估对话由 Salesforce 2025 年发布的公开基准 ConvoMem 生成，沿途埋入特定事实，再就这些事实向智能体提问。
对随时间变化的事实，更新后的策略召回量是它所取代的策略的 2.2 倍，端到端对话的记忆质量基本翻倍。 旧策略把客户的新说法当作又一条事实，与先前那条并列存放，而不是当作对已有信息的更正。 两项倍数都出自同一套在实时 Agentforce 系统上运行的评估，覆盖从客户提及某事到智能体据此行动的全过程。
改善只发生在记忆策略这一层，也就是决定智能体保留客户哪些信息、信息变化时如何处理的规则；Agentforce Memory 仍运行在发布时的架构上。 更新后的策略保留更多客户说过的内容，并把一次更新视为对智能体已知信息的更正。 Salesforce 表示策略之下的任何部分都没有改动，因此召回变化可以归到策略本身。
启示与展望
展示的范围是在运行中的 Agentforce 系统上、用 ConvoMem 生成的多轮会话所做的评估，以及一家旅行平台用 Agentforce 搭建的员工问答智能体这一使用场景；材料没有提出下一步实验或部署计划。
材料给出的召回倍数是相对旧策略的比较，未说明绝对召回水平；评估在实时系统上进行，材料强调记忆只有在数月对话、实时数据和有人等待回答的条件下才表现得像记忆。