长期记忆

CoALA把语言Agent的记忆、动作与决策过程放在统一认知架构视角下。分类用于分析与设计，不是声称机器完整复制人类心智。

工作记忆、情景记忆、语义记忆和程序性记忆具有不同生命周期。任务临时假设不应未经验证就变成永久方法。

原创练习：将测试日志、用户偏好、版本约定和可复用排查步骤分别归类，并说明需要什么证据才能保存。

完成标准是让存取规则符合信息用途，而不是为了分类完整给每个项目增加复杂数据库。

MemGPT借鉴分层存储思想，通过管理上下文内外的信息应对有限窗口。外部存储与换入换出并没有让单次模型调用获得无限物理上下文。

取回需要索引、权限和有效引用；外置后不能仅靠模型“应该记得”来恢复细节。层间移动也有调用与延迟成本。

原创练习：把一个长任务分为常驻目标、当前状态和完整历史，设计什么时候取回哪一层。测试引用失效时如何诚实报告。

不要把分层记忆等同于无损压缩。长期可恢复性需要原始证据和状态治理共同支持。

长期记忆可通过命名空间和存储接口组织跨任务信息。存储API提供底座，写什么、何时取、是否仍有效仍由应用设计决定。

用户、项目和版本范围需要隔离。语义相似但属于另一项目的条目可能造成错误，甚至泄露信息。

原创练习：为两个项目保存相反的路径约定，在检索前按作用域过滤，再判断内容相关性。

完成标准是证明记忆被正确用于新任务，而不是只证明可以写入和查询一条记录。

LangGraph的会话检查点与长期Store承担不同职责。前者帮助恢复当前线程状态，后者支持跨线程组织信息；具体持久化能力取决于所用实现。

进程内存实现不等于重启后仍保存。检查点中的计划也不代表外部动作一定完成，需要与环境状态核对。

原创练习：在工具执行后、结果记录前模拟中断，设计恢复时先查询事实而非直接重试的流程。

不要因为两种数据都能存入数据库，就把任务恢复与长期经验治理合成一个不区分状态的对象。

Generative Agents研究记忆流、检索、反思和计划如何支持模拟角色行为。它提供记忆组织思路，但模拟行为的评测不等于软件工程可靠性评测。

反思可以形成更高层概括，也可能把具体事件错误泛化。生成的总结仍需要来源与适用条件。

原创练习：从三次不同失败中总结共同经验，检查是否真的共享原因，还是只有表面词语相似。

完成标准是区分事件、概括和已验证方法，不把模型写出的“经验”自动当成事实。

LongMemEval把长期交互中的信息保留、更新与使用转成可评测任务。能存很多历史不代表能在正确时刻取出正确版本。

长期记忆测试应包含多次会话、时间变化、冲突信息以及不应作答的情况。只测简单事实复述会高估可靠性。

原创练习：先给旧地址，再明确更新地址，之后询问当前地址与历史地址，分别检查时间语义。

代码任务还需进一步测试记忆是否减少重复错误。对话基准成绩不能直接替代实际工程验证。

LoCoMo关注很长对话跨度中的记忆与关联能力。长时间跨度会带来实体、事件和时间关系的复杂性，不只是输入字数更多。

摘要可能保留人物与主题，却丢失先后顺序或条件。评价需要检查关系，而不是只搜索关键词是否出现。

原创练习：构造三个阶段的计划变化，问最终计划、某时点计划和变化原因，分别需要哪些证据。

完成标准是区分长期关系理解与单条信息查找，避免用一次找回成功概括全部记忆能力。

A-MEM探索动态组织、链接与更新记忆，使新信息可以与已有内容形成关联。关联结构可能帮助检索，也可能因错误链接传播误判。

链接应保留依据，不能仅凭模型觉得相似就当作事实关系。新记忆还可能修正旧条目，而非无限追加。

原创练习：把同名但不同项目的错误与同项目不同版本的错误分别连接，说明哪些关系可用、哪些需保留区别。

完成标准是判断动态组织带来的任务收益与维护成本，而不是以链接数量证明系统更聪明。

Mem0研究记忆抽取、维护与规模化使用。自动提取可以减少手工记录，但决定什么值得长期保存仍然是有误差的判断。

事实、偏好、临时计划和模型建议应区别处理。错误结论反复被取回，可能形成自我强化，而非新的独立证据。

原创练习：给定含明确偏好、临时安排和未证实猜测的对话，设计不同写入状态，并检查后续更新。

不要只看存储效率或某个基准分数。应计算提取成本、错误使用率、删除能力和实际新任务收益。

GraphRAG利用图结构与摘要支持更全局的内容关联和查询。它可以帮助跨文档组织信息，但实体提取、关系建立和社区摘要都可能产生误差。

图中的边不是天然真实因果关系。共现、引用、时间先后与因果必须区分，必要时回到原始证据。

原创练习：把三个模块及依赖文档建立小图，分别回答“有哪些关联”和“为什么失败”，说明第二个问题需要更强证据。

精确符号查找未必值得使用图检索。更新成本和来源追溯同样应进入架构决策。