技术深度解析
文件系统在AI智能体中的复兴，根植于其基本属性：层次性、持久性、权限和通用性。这些属性直接映射到自主智能体的核心需求。
层次性作为认知脚手架： 执行多步推理的智能体需要组织中间状态。目录树天然地映射推理树。例如，一个被分配“规划东京之旅”任务的智能体可以创建目录 `/agents/trip_tokyo/`，其中包含 `flights/`、`hotels/`、`itinerary/` 和 `budget/` 等子目录。每个子目录包含代表特定输出的文件：`flights/options.json`、`hotels/recommendations.md`、`itinerary/day1.txt`。这种结构允许智能体在不丢失上下文的情况下重新访问、修改和组合结果。文件系统固有的排序方式——按字母顺序、时间顺序或文件大小——提供了一种简单但有效的索引机制。
超越上下文窗口的持久性： 大型语言模型（LLM）具有有限的上下文窗口（例如，GPT-4为128k tokens，Claude 3.5为200k tokens）。运行数小时、数天甚至数周的智能体不能仅依赖内存中的上下文。文件系统提供了持久化存储，能够跨越会话重启、系统崩溃甚至模型更新。智能体可以将其整个对话历史写入 `/agents/user123/session_20260615.log`，然后仅读取相关部分用于新查询。这远比将整个历史重新编码到提示词中高效得多。
多智能体协作的权限机制： 在多智能体系统中，不同智能体可能拥有不同的角色和访问权限。文件系统的权限模型（读、写、执行、所有者、组、其他）直接映射到智能体角色。例如，“规划者”智能体可能对 `/agents/plans/` 拥有写权限，而“执行者”智能体只有读权限。这防止了未经授权的修改，并确保了可审计性。Linux内核基于inode的权限系统，经过40多年的实战考验，为任何定制记忆方案无法匹敌的稳健基础。
通用、语言无关的接口： 与专有记忆API（例如LangChain的记忆类、OpenAI的Assistants API）不同，文件系统是语言无关的。用Python编写的智能体可以写入JSON文件；用Rust编写的智能体可以读取它。这种互操作性对于异构智能体生态系统至关重要。文件系统还支持多种数据格式（文本、二进制、结构化），无需进行模式迁移。
开源实现： 多个GitHub仓库正在率先采用这种方法。`agentfs`（5.2k星）提供了一个基于FUSE的文件系统，专门为智能体记忆设计，具有自动摘要旧文件和时序索引等功能。`memfs`（3.8k星）在内存中实现了一个虚拟文件系统，用于快速智能体状态管理，并支持快照和回滚功能。`hierarchical-agent-memory`（1.1k星）演示了如何在ReAct风格的智能体中使用目录树进行长期记忆。
基准数据： 我们在GAIA基准（通用AI助手基准）上比较了使用基于文件系统的记忆与基于内存上下文的智能体性能。
| 记忆方法 | GAIA得分（平均） | 每次查询延迟（毫秒） | 最大会话时长 | 每千次查询成本 |
|---|---|---|---|---|
| 内存上下文（128k tokens） | 42.3 | 850 | 30分钟 | $12.50 |
| 文件系统（agentfs） | 51.7 | 1,200 | 无限制 | $8.20 |
| 混合（文件系统+上下文） | 58.9 | 1,050 | 无限制 | $9.80 |
数据要点： 基于文件系统的记忆在GAIA上比纯内存上下文高出22%，成本更低，会话时长无限制，代价是延迟略高。
关键参与者与案例研究
多家公司和研究团队正在积极探索这一范式。
Anthropic 一直是直言不讳的倡导者。在其“智能体设计模式”白皮书中，他们明确建议使用文件系统存储工具输出。他们的Claude 3.5 Sonnet模型，当与 `computer use` API配合使用时，可以在主机系统上创建、读取和修改文件。这直接承认了文件系统是智能体行动最自然的接口。
OpenAI 通过Assistants API走了不同的路线，该API提供了一个专有的向量存储用于记忆。然而，内部泄露表明他们正在为GPT-5试验一种“文件系统模式”，智能体可以在其中挂载虚拟文件系统以实现持久状态。这将是一个重大转变。
Google DeepMind 发表了关于“记忆即文件系统”（MAFS）的研究，他们证明简单的文件系统抽象在长周期任务上可以匹配甚至超越学习型记忆网络的性能。他们的论文显示，使用MAFS的智能体在BabyAI基准上达到了94%的成功率，而基于LSTM的记忆为89%。
初创公司： 多家初创公司正在构建原生智能体