agent/learning/agent-memory

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，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 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。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 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：问题空间、方法位置和演化脉络。
• 压缩讲义：从原始论文压缩出的统一解释。
• 证据矩阵：12 篇锚点论文的主张、证据与边界。
• 主动回忆：记忆题、比较题、诊断题和设计题。
• module.json：供后续学习界面使用的结构化入口。
• 试验记录：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。