做 Agent 的人大概都遇到过一个尴尬场面：同一件事，昨天问它说 A，今天问它说 B。原因往往不在模型本身，而在记忆层——上下文一长、检索一乱，Agent 的“记忆”就开始漂。

Hacker News 上新出现的开源项目 TenseMem，主打的就是一句话：为 AI Agent 提供确定性记忆（deterministic memory）。这篇不吹项目，只讲清楚它想解决什么、思路是什么、你该不该用。

为什么 Agent 的记忆需要“确定性”

大多数 Agent 的记忆方案，本质是“向量检索 + 拼进上下文”。这套做法灵活，但有个硬伤：不可复现。

• 同一段对话，换个 embedding 模型，召回结果就变了；
• 检索 top-k 的排序稍有抖动，Agent 的决策路径就分叉；
• 上下文压缩时删掉哪句，往往取决于启发式规则，没人能预测。

对聊天玩具来说这无所谓，但对要跑业务流程的 Agent 来说就是灾难：出问题时你没法复现，也没法向客户解释“它为什么这么做”。

所谓确定性记忆，核心诉求是：给定相同的输入和相同的记忆状态，Agent 应该走出相同的路径，拿到相同的记忆内容。

TenseMem 的思路：把记忆当成有状态的数据结构

从项目定位看，TenseMem 不是又一个向量数据库封装，而是把 Agent 记忆当成一个可版本化、可回放的状态机来处理。可以这样理解它的几个设计取向：

1. 写入即确定：记忆的写入走明确的规则和结构，而不是靠模型“自由发挥”地总结。什么进长期记忆、什么留在短期窗口，有可查的判定逻辑。
2. 读取可复现：检索不再单纯依赖相似度排序的随机性，而是结合结构化索引与显式规则，让同一查询稳定命中同一批记忆。
3. 状态可回放：记忆是有版本的。你可以回到某个时间点的记忆快照，重跑一遍 Agent 流程，看它当时到底“记得什么”。

这三点合起来，解决的是工程上最痛的问题——可调试性。Agent 出错时，你终于能像查日志一样查记忆。