Agent Memory 最常见的实现，是每隔几轮让模型总结对话，把摘要写进向量库。这样很快会混进三类完全不同的数据：用户所在城市这类事实、偏好中文回答这类偏好、任务执行到第三步这类运行状态。它们的正确性、有效期和删除规则并不相同。

我会先拆数据模型，再谈 embedding/召回。事实需要来源和时间，偏好需要用户可见可改，运行状态需要强一致的 checkpoint。三层都可以进入上下文，但不能共用“相似度高就拿出来”的读写规则。

ClickHouse 和 Apache Doris 放在一起比较时，很容易变成架构名词和 Benchmark 数字的拉锯。一个强调 MergeTree 和本地执行，一个强调 MPP、FE/BE 和标准 SQL。对业务真正有影响的差别，往往更早发生在 CREATE TABLE：同一业务键来了两条数据，最终保留两条、替换一条还是聚合成一条？这个结果在什么阶段完成？

我不会先问哪个引擎快，而会先把数据分成追加明细、主键状态、可结合指标三类，再看各自的数据模型把成本放在写入、后台合并还是查询阶段。模型选错以后，硬件和参数只能缓解，无法改正语义。