大型语言模型（LLM）代理为了在多轮对话中保持信息，通常使用稠密向量嵌入并通过近似最近邻检索进行记忆访问。果蝇的嗅觉回路采用稀疏随机投影加上胜者全占（winner‑take‑all）竞争，生成局部敏感哈希（FlyHash），其在每比特保持邻居结构的能力上优于传统的随机超平面哈希（SimHash），已有文献（Dasgupta 等，2017）给出多项基准验证。本文首次将 FlyHash 应用于 LLM 代理记忆检索，并围绕实际工程师关心的三点展开实验：
- 在位数匹配的协议下，FlyHash 的检索质量是否仍优于 SimHash？实验在 10 个随机种子、四个跨模态数据集上均表现出稳健优势，并发现并修正了一个此前未报告的比较陷阱。
- 质量优势是否转化为记忆占用和查询延迟的实际收益，尤其相对于当前主流的稠密向量索引结构 HNSW？结果显示，在相同位数下 FlyHash 的码长更大、比较更慢；在普通规模下 HNSW 在速度和空间上均领先两种哈希方法。我们提出的稀疏集合比较方案能够缩小但无法完全消除与 HNSW 的延迟差距，使得哈希的实用场景更为有限。
- 当使用真实的、非循环的代理记忆相关标签（而非仅靠嵌入最近邻代理）时，FlyHash 的优势是否仍然存在？实验表明优势依旧保持。
我们完整报告了上述三项答案，包含两项对标题结果的收窄解释，并开源实现、可运行的记忆演示以及我们在方法学上发现并纠正的全部细节。\n\n点评：FlyHash 在质量上确实优于 SimHash，但在实际系统中其码长和比较成本限制了广泛应用；只有在对存储紧凑性要求极高且查询规模受限的场景下，FlyHash 才能发挥价值。