Agent 的记忆是什么，难在哪？

我关注的是怎样管理记忆

这里主要讨论应用层可读写的记忆：对话记录、行动记录，以及从中整理出来、供后续任务使用的信息。它不涵盖模型内部所有形式的记忆。

把信息保存下来只是开始。保存的内容是否准确、后来有没有变化、在当前任务中是否仍然适用，决定了这些记录能不能真正帮上忙。

记录行动，也要选择当前取用的信息

在《深度解析 Memory 本质》中，我讨论过工具调用的行为记忆：记录调用的工具、输入、输出和成功标记。其中举的例子是，如果 Agent 不记得某次搜索已经失败，它可能会不断重试。 行为记忆的原文

保留行动记录，不意味着把全部记录都放进模型当前的上下文。我在《上下文不等于记忆》中把两件事分开：记忆工程决定保留什么、遗忘什么，上下文工程筛选与当前决策相关的片段，决定让模型此刻看到什么。《深度解析 Memory 本质》也写到，任务执行中按当前子任务的语义检索历史错题集与最佳实践。 保留与取用的区别 · 按任务读取

系统怎样继续执行，也需要单独处理

在 Agent Infra 的阶段性理解里，我讨论的是另一类保证：引入多 Worker、重试和故障接管后，任务进度和已发生的副作用，需要由执行者共享的事实源来判断。Temporal 是文中举出的持久化运行方案，着重解决一次运行在崩溃后继续推进的问题。 执行状态与共享事实源 · Temporal 的讨论

这些执行保证与“这一步给模型什么上下文”，在那篇文章里分别放在控制层和 Harness 层讨论。 上下文装配的讨论

记录“做过什么”也需要区分层次。文字可以记下调用过什么工具、遇到过什么错误，但不等于保存了能够继续运行的计算现场。回顾经历与恢复执行，是不同的需求。在 OpenScience 那篇文章中，按 session 复用 Kernel 是维持连续计算的具体做法；运行中的 Kernel 仍不等于永久保存的实验环境，长期复现还需要代码版本、依赖、随机种子、输入数据和计算环境。 Kernel 连续运行的例子 · 长期复现的限定

上下文压缩与缓存复用之间有取舍

在 KV Cache 那篇文章里，我用一个例子说明摘要式压缩：保留最近的 E、F，把更早的 A、B、C、D 整理成摘要。后续可以保留旧摘要，只压缩新增历史，也可以把旧摘要与新增历史重新整理成一份统一摘要。 摘要压缩的例子

这与 KV Cache 的作用不同：缓存复用已有计算，压缩会删减、截断或总结历史信息，因此可能遗漏细节。保留旧摘要有利于维持稳定前缀，但摘要可能逐渐重复、过时或矛盾；重新合并能整理这些内容，却会改变前缀，使变化位置之后的旧缓存通常不能继续用于压缩后的对话。生成新摘要的请求仍可能利用未变化的前缀缓存，这与新摘要替换后、主对话如何复用缓存是两个阶段。文中最终讨论的是缓存成本、上下文长度和信息完整性之间的平衡。 压缩可能遗漏细节 · 前缀变化与缓存 · 取舍

保留历史，与让旧信息退出当前回答

对我正在建设的个人知识系统，我倾向于把“保存记录”和“参与当前回答”分开处理。

已经公开的判断发生变化时，应保留原来的表述、形成时间和修订关系，让人能够追溯我为什么改变看法。Agent 回答“我现在怎么看”时，则应优先使用当前有效的判断；涉及观点演变时，再取用历史记录。

因此，保留历史与遗忘机制可以同时成立。旧记录可以继续存在，同时被标记为已取代、降低检索优先级，或不再进入当前任务的上下文。

这里讨论的是判断历史的可追溯性，不意味着所有原始材料都必须永久保留。