# Agent Memory：从存储历史到编译经验

status: pilot

## 这次真正要学会什么

不是记住 12 个系统名字，而是获得一个可迁移判断：

> Agent memory 不是“多放一些历史记录”，而是在资源、可靠性和安全约束下，把过去压缩为足以改善未来决策的状态。

完成本模块后，应该能够：

1. 解释为什么长上下文、向量检索和摘要都不是通用 memory 方案。
2. 根据任务选择事实记忆、过程记忆、执行状态或编译指令。
3. 设计 write、manage、read、learn、govern 五个环节。
4. 用正确 baseline 判断 memory 是否真的带来收益。
5. 分析一个 memory 系统可能发生的遗漏、污染、过期和成本问题。

## 第一次学习：45 分钟

### 0-5 分钟：先回答

不要看后文，先写下你的直觉答案：

- 如果上下文窗口无限大，Agent 还需要 memory 吗？
- 一条历史记录什么时候值得被记住？
- 相似度最高的记录为什么可能不是最有用的记录？

### 5-15 分钟：建立地图

阅读 [认知地图](knowledge-map.md)，重点理解两条轴：

- 时间：当前任务内还是跨任务。
- 内容：知识事实还是执行经验。

### 15-30 分钟：理解主线

阅读 [压缩讲义](chapter.md) 的前六节。第一次不要追系统细节，只追踪问题怎样演化：

`保存历史 -> 检索历史 -> 组织历史 -> 维护执行状态 -> 编译经验 -> 学习记忆策略`

### 30-38 分钟：检查证据

阅读 [证据矩阵](evidence-matrix.md)。至少选择一个正面结果和一个反例，确认自己不会把“某篇论文有效”误写成“memory 总是有效”。

### 38-45 分钟：闭卷输出

完成 [主动回忆](active-recall.md) 中的前 6 题。答不出来时不要立刻翻答案，先标记卡点属于：概念不清、证据没记住，还是无法迁移到设计。

## 这个模块的组成

- [认知地图](knowledge-map.md)：问题空间、方法位置和演化脉络。
- [压缩讲义](chapter.md)：从原始论文压缩出的统一解释。
- [证据矩阵](evidence-matrix.md)：12 篇锚点论文的主张、证据与边界。
- [主动回忆](active-recall.md)：记忆题、比较题、诊断题和设计题。
- [module.json](module.json)：供后续学习界面使用的结构化入口。
- [试验记录](../../experiments/knowledge-compilation/2026-07-10-agent-memory-pilot.md)：本轮是怎样做出来的，以及下一轮该改什么。

## 当前边界

- 当前是第一轮认知编译，不是 Agent Memory 全量综述。
- 锚点论文来自现有一年语料中的 12 篇，另外约 300 篇 memory 标签论文暂作证据池。
- 已阅读锚点论文原文的关键方法、实验和限制部分，但尚未逐项复现实验。
- 论文集中在 2026 年，结论可能受新 benchmark、强模型和评测协议变化影响。