给 Agent 增加记忆，最直觉的做法是把过去的成功经验和失败教训全部保存下来，再在下一次任务中重新放回上下文。经验越多，表现似乎就应该越好。
IBM Research 对八个不同能力层级的模型进行实验后发现，事实并非如此。记忆不是一个打开便会生效的功能，而是一种必须根据模型能力校准的“剂量”：有些模型需要完整经验，有些模型会被过量记忆拖累，还有些模型增加记忆后几乎没有变化。
这个结论把 Agent 记忆从“是否拥有长期记忆”的产品功能，推进成了一个更具体的工程问题：应该让哪个模型在什么任务中看到多少经验，又该为这些经验支付多少上下文成本？
#这里的记忆不是历史对话
实验使用的 ALTK-Evolve，并不把过去的完整轨迹原样塞回上下文。它从 Agent 的成功和失败轨迹中提炼出可复用的行为准则，例如有效策略、常见错误和容易忽略的边界条件，再把这些准则提供给之后的任务。
整个过程分为四步：
- Agent 执行任务并产生完整轨迹。
- 系统同时从成功与失败轨迹中提取行为准则。
- 重复、冲突或低价值的准则被合并成可复用的经验集合。
- 推理时，系统注入全部经验，或只检索与当前任务相关的一部分。
模型权重没有更新，也不需要人工标注。学习发生在模型周围：变化的是 Agent 每次行动前可以获得的指导，而不是基础模型本身。
因此，这项研究讨论的不是传统意义上的对话记忆，而是 Agent 能否把过去的执行轨迹编译成未来可用的操作经验。
#三种记忆配置如何比较
研究团队在 AppWorld 上评估了八个模型。该基准包含 9 个模拟应用和 585 个多步骤任务，覆盖日历、消息、支付等需要连续操作的场景。
实验比较三种配置：
- 无记忆基线： 使用模型原本的 Agent 能力，不提供历史经验。
- 完整经验集： 在每个 ReAct 步骤中注入模型自己提炼出的全部准则。
- 选择性检索： 固定提供一组高置信度核心准则，再按当前任务检索少量相关经验。
两种记忆配置使用的是同一份经验集合，区别仅在于如何投放。经验只从训练集轨迹中产生，测试集信息不会进入记忆构建过程。
评估同时使用两项指标。TGC（Task Goal Completion）衡量单个任务是否完整完成；SGC（Scenario Goal Completion）更加严格，只有同一场景下的所有任务变体全部成功，整个场景才算通过。后者更接近生产环境关心的稳定性，而不只是平均成功率。
#第一种模式：强模型能够消化完整经验
对于能力较强、但仍有明显提升空间的模型，完整经验集效果最好。
DeepSeek-V3.2 的 TGC 从 79.8% 提升到 89.3%，增加 9.5 个百分点；更严格的 SGC 则从 64.3% 提升到 80.4%，增加 16.1 个百分点。Claude Opus 4.6 和 GPT-5.5 已经接近任务上限，但 SGC 仍分别提高 7.1 和 7.2 个百分点。
这类模型不仅能利用常见策略，也有能力识别罕见边界条件何时适用。删掉看起来不常用的准则，反而可能让它在少数困难任务上失去关键提示。
但完整经验并不免费。DeepSeek-V3.2 每个任务的平均 token 消耗从 148K 增加到 263K，增幅达到 78%。性能提升与上下文成本需要同时计算。
#第二种模式：较弱模型会被过量记忆淹没
较弱模型呈现了相反结果。它们并非不能从经验中受益，而是难以从庞大的准则集合中判断哪一条与当前任务真正相关。
gpt-oss-120b 使用“核心准则加任务检索”后，TGC 从 39.9% 提升到 56.0%，SGC 从 21.4% 提升到 37.5%，两项指标都增加了 16.1 个百分点。与此同时，每个任务的 token 消耗只从 110K 增加到 116K，开销约为 5%。
如果把全部经验注入同一个模型，token 消耗会上升约 51%，但准确率反而不如选择性检索。
这里出现了一个重要结果：更少的记忆可以同时带来更高准确率和更低成本。问题不在于经验是否存在，而在于系统能否把模型当下真正能用的部分交给它。
#第三种模式：接近饱和的模型可能没有收益
GLM-5 在实验中属于“饱和模式”。加入完整经验集后，它的 TGC 与 SGC 都没有可测量的变化。
研究团队没有把这种现象简单归因于模型规模。可能的解释包括：模型在这组任务上已经接近能力上限；提炼出的准则没有覆盖剩余错误；或者模型虽然看到了经验，却没有稳定地把它应用到行动中。
这一区分很重要。没有收益并不等于模型不需要任何形式的记忆，更不能证明某种架构普遍无效。它只说明，在当前任务分布和经验质量下，继续增加上下文没有产生边际回报。
决定模型属于哪一种模式的因素，可能同时包括任务余量、上下文窗口、模型架构、经验质量和任务分布，而不是参数量这一项。
#记忆的真正成本是输入膨胀
完整经验集会在每一个 ReAct 步骤中重复出现，因此主要成本不是 Agent 走了更多步骤，而是每一步都携带了更长的输入。
实验中，DeepSeek-V3.2 使用记忆前后平均都需要约 18 至 19 个步骤。推理循环并没有明显变长，增加的是每一步读取的上下文。
这也解释了为什么 Prompt Caching 对记忆系统格外重要。只要把稳定的经验集合放在固定前缀中，多轮执行就可以复用缓存，显著降低重复输入成本。相反，如果系统每一步都重新排序、改写或拼接经验，即使内容大致相同，也可能破坏缓存命中。
对于选择性检索，设计重点则不同：核心经验应保持稳定、便于缓存；任务相关经验保持小而精确，避免用大量相似内容挤占推理空间。
#生产系统需要先判断模型属于哪一种模式
这项实验给出了一个比“接入记忆数据库”更可操作的流程。
首先建立没有记忆的真实任务基线，而不是默认记忆一定有效。随后分别测试完整经验集和选择性检索，同时记录任务成功率、严格场景成功率、token 消耗和执行时长。
如果完整经验表现最好，说明模型仍有能力吸收长尾经验，下一步应优化缓存和经验去重。如果选择性检索更好，系统的核心资产会变成经验准入与检索器。如果两种方案都没有改善，就不应继续为记忆支付上下文成本，而应先定位剩余失败模式。
换句话说，记忆配置应当成为可评测、可路由的运行时策略，而不是写死在 Agent 架构里的常量。同一套经验库，面对不同模型甚至不同任务类型，可能需要完全不同的投放方式。
#研究仍有明确边界
这些结果来自 AppWorld。它是严格的多步骤工具调用基准，但仍然只是一个模拟环境，不能直接代表长期个人助理、软件工程或企业流程中的全部记忆需求。
当前选择器主要依赖余弦相似度，它只能判断文本是否相近，不能直接判断某条经验是否真的会改善任务结果。研究团队下一步希望利用执行结果训练选择器，让检索目标从“相关”转向“有用”。
此外，极弱模型可能无法从自己的轨迹中提炼出足够高质量的准则，需要由更强模型提供教师经验；上下文窗口与基础能力的影响也仍需通过控制实验拆分。
不过，研究已经证明了一个足够重要的方向：Agent 记忆的价值不取决于保存了多少过去，而取决于系统能否把正确数量的经验，在正确任务中交给有能力使用它的模型。