企业智能体的记忆治理，核心不是“记住更多”，而是让每条信息都具备明确的用途、权限、期限和退出机制。缺少边界的记忆系统，会把一次性对话、用户隐私、业务事实和企业知识混在一起，造成成本膨胀、错误召回、数据串用与责任难以追溯。
先区分记忆，再设计生命周期
企业至少应区分四类信息：服务当前任务的短期记忆、可跨任务复用的长期记忆、经授权保存的用户画像，以及按需检索的企业知识。它们的来源、更新频率、访问权限和失效方式不同，不能简单放入同一个存储空间。
短期记忆应围绕任务状态管理，并在任务结束后清理或短期保留；长期记忆则必须满足稳定、可复用、来源清晰且不突破授权等条件。用户画像应遵循最小必要原则，避免把模型推断出的性格、能力或敏感属性当作事实保存。制度、流程和产品文档通常应保留在可独立更新、可追溯版本的知识库中，而不是全部转化为智能体记忆。
把“写入”和“删除”放在同等位置
长期记忆不宜由模型无条件自动写入。更稳妥的机制是设置“候选记忆—审核或确认—正式入库”流程，并在写入前检查四点：是否确有必要，是否准确，是否能确认归属，未来是否可修改和删除。涉及权限、审批、数据访问和安全策略的内容，更不能因普通对话而直接成为永久规则。
生命周期治理还必须覆盖过期、纠错和权限变化。系统应支持按时间、项目状态或原始文档更新使信息失效，并在用户要求删除后同步清理缓存、索引和派生数据。新旧事实冲突时，应结合来源、更新时间、业务状态和人工确认处理，而不能只依赖语义相似度决定召回结果。
用可解释的召回控制风险
记忆调用应先判断任务类型和权限边界，再分别检索短期记忆、长期记忆与知识库，最后依据来源、时间、可信度和任务相关性排序。召回更多并不等于回答更准；过多内容可能混淆版本、扩大敏感信息暴露，甚至诱发模型自行补全。
企业验收时，应同时检查“是否找得对、用得对、成本可控、能够追溯”：错误记忆能否纠正，过期内容是否停止召回，用户权限变化后旧数据是否仍可见，外部文本中的诱导性指令是否会污染长期记忆。只有系统能够解释为什么保存、为什么调用、谁可以访问以及何时失效，企业智能体的记忆才真正具备生产级治理能力。