為解決AI代理人普遍缺乏持久記憶的「金魚效應」，業界正推進結合模型上下文協定（MCP）與衝突解決複本資料類型（CRDTs）的去中心化記憶解決方案，此舉可賦予AI代理人持久且可信任的記憶能力，將其從工具轉變為協作者，並預期改變AI工具的經濟模式。
過去兩年，人工智慧（AI）代理人已從研究展示演進至實際的生產基礎設施，廣泛應用於程式編寫輔助工具（如Claude Code、Cursor）及端到端解決客服問題等場景。然而，多數AI代理人仍處於「無狀態」模式，意味著每次對話或任務都獨立於先前的互動，導致重複建立意圖的「金魚效應」。
這種無狀態性並非AI模型本身的限制，而是其外層系統的架構瓶頸，儘管現代大型語言模型（LLM）能處理龐大的上下文視窗。目前業界多採取將記憶層附加到代理人身上，使用集中式儲存（如Postgres、向量資料庫），雖改善了連續性，卻引入單點故障、控制權集中及合規風險，並可能造成廠商鎖定。
為解決此問題，業界正轉向分散式、具收斂性且標準化的記憶方法，透過模型上下文協定（MCP）與衝突解決複本資料類型（CRDTs）來賦予AI代理人永久記憶。Anthropic於2024年末推出的MCP，是一項開放的JSON-RPC協定，旨在標準化AI代理人如何連結外部功能，如記憶寫入與查詢，進而將代理人與記憶實作解耦。
CRDTs在去中心化記憶中扮演關鍵角色，其提供數學保證，確保無論更新順序或重複與否，多個獨立寫入最終都能收斂到相同值，有效避免「最後寫入優先」模式下的資料遺失。常見的CRDTs建構單元包括用於變化事實的LWW-Register、集合的OR-Set、有序日誌的RGA以及結構化配置檔的LWW-Map/OR-Map。
這套建議的架構分為四層：代理人、MCP伺服器、CRDT文件及網路傳輸。MCP伺服器將代理人呼叫轉換為針對本地文件的CRDT操作，再將這些操作複製到對等節點。實用的CRDT實作如Yjs和Automerge，通常採用操作型變體並結合高效的二進位編碼。記憶管理也需持續策展，包括相關性評分、時間衰減及整合，以避免效能與實用性下降。
相較於集中式記憶系統在設置與檢索上的速度優勢，去中心化記憶系統提供資料主權、離線能力，以及多代理人系統的無瓶頸擴展性。這種持久記憶能力將AI代理人從單純的工具轉變為真正的協作者，其價值將從單一回應轉移至持續互動的品質。這項系統層級的特性，目前已可實現，且無需重新訓練AI模型。透過分散式設計，組織可將記憶保留在其邊界內，使用者亦能將記憶保存在其裝置上，從而改變AI工具的經濟模式。