你的智能体究竟需要多少记忆？

上一篇文章比较了 ALTK-Evolve 与 ACE，说明智能体如何接收自己提炼的指南——为每项任务检索少量内容，或注入整套指南——会同时影响准确率和成本。本文退一步，讨论更先决的问题：究竟应该给它多少？

为智能体配置记忆听起来很简单：从过去的工作中提炼经验，再放回上下文；经验越多，表现应该越好。但实际并非总是如此。当我们把评估扩展到八个模型，从30B稠密模型到前沿专有系统，一项发现格外突出：智能体记忆并非可以简单开启的功能，其剂量需要按模型校准。

核心要点：

• ALTK-Evolve 让智能体从过去的轨迹中学习，提炼可复用指南，并在推理时重新注入；无需更新权重，也无需人工标注。
• 不同层级模型所需剂量不同：仍有提升空间的强模型适合整套指南；较弱模型适合精简核心加按任务检索；已趋于饱和的模型没有可测提升。
• 精选检索可以同时最准确、最便宜：gpt-oss-120b 的任务完成率提高16.1个百分点，token 仅增加5%；提示缓存还能降低生产环境中完整指南的使用成本。

关键发现：剂量取决于能力

我们在覆盖不同能力水平的八个模型中，看到了三种反复出现的模式。

仍有提升空间的强模型需要整套指南。 它们有能力吸收和应用全部指南，包括不常见边界情况的经验。DeepSeek-V3.2（671B MoE）接收完整的自我提炼指南后，任务完成率提高9.5个百分点。

较小或较弱模型会被大量指南淹没。 对这些模型，精简、可信度高的核心，加上每项任务检索的少量相关指南，效果最佳。gpt-oss-120b（117B MoE）通过这种选择性方法提高16.1个百分点；完整指南的收益反而较少，token 成本约高50%。

已趋于饱和的模型没有可测收益。 我们称其为“饱和模式”；这个标签描述观察结果，并非证明了原因。模型可能已接近这些任务的能力上限，指南可能未覆盖剩余失败，或者模型未能有效运用指导。GLM-5（745B MoE）在本次运行中属于这一模式。

决定模式的并不只是参数量。基准上的剩余提升空间、上下文窗口、架构、指南质量和任务分布，都可能影响归属；分离这些因素仍在研究中。实践结论依然成立：记忆的适当剂量取决于模型，而且可以校准。

学习发生在模型周围，而非模型内部

这里的“记忆”不是重放过去的对话，而是一套从智能体自身既往轨迹提炼的指南：有效策略、应避免的错误、边界情况。流程如下：

1. 智能体尝试任务，产生轨迹。
2. ALTK-Evolve 从成功和失败的运行中抽取行为指南。
3. 将指南整合为可复用集合。
4. 推理时，向智能体提供完整指南，或其中与任务有关的部分。

整个过程不更新模型权重。学习循环改变的是智能体可获得的指导，而不是底层模型。因此，它部署成本低，并能迁移到本次测试的八个模型。

跨能力范围的结果

我们在 AppWorld 上评估了585项多步骤任务：168项 test_normal、417项 test_challenge，覆盖日历、消息、支付等9个模拟应用。评分有两种：是否完整完成每项任务（TGC，任务目标完成率），以及某场景的每个变体是否全部通过（SGC，场景目标完成率，更严格、全有或全无）。完整定义见附录。

比较的三种配置

记忆研究容易混淆实际进入上下文窗口的内容，因此先明确配置。

两种记忆配置都使用同一套指南。指南通过前述循环，只从 AppWorld 的训练集提炼一次。二者仅改变交付方式：完整指南在每一步注入全部内容；精选检索提供选定子集。它们不改变指南产生方式，也从不使用测试集数据构建指南。

各模型能够提炼的指南数量取决于自身能力，因此我们按策略报告配置，而不按无法跨模型比较的原始指南数量报告。

三种模式一览

下表选取八模型评估中的代表模型，以 test_normal 上的任务完成率为指标。原文图1显示基线与最佳记忆配置的 TGC，其横轴从40%开始以凸显差异。单看 TGC 会低估更大的 SGC 收益。

更严格的 SGC 通常比 TGC 提升更大。例如 DeepSeek 的 SGC 增加16.1个百分点，而 TGC 增加9.5个百分点。这是因为好的指南尤其有助于智能体通过场景的每个变体，而不只是平均情况。

这种效果在能力范围顶端也没有消失：GPT-5.5 和 Opus 的 TGC 已接近上限，但 SGC 仍分别增加7.2和7.1个百分点。只要模型仍有可以针对的失败模式，记忆就可能继续带来收益。

最便宜的记忆策略也可能最好

一个实际问题是：完整指南会膨胀每个 ReAct 步骤的输入，因为每一轮都会重新发送。我们的观察如下：

这些数值是每项任务在智能体各步骤累计的平均 token 使用量，相对于无记忆基线测量。

两个结论：

1. 精选检索使成本接近基线。 对选择性记忆在准确率上占优的较弱模型，它也在成本上占优。gpt-oss-120b 的 TGC 提升16.1个百分点，而 token 仅增加5%。这里更好的表现并不要求更高的推理成本。
2. 记忆没有显著延长推理循环。 DeepSeek 有无记忆的平均 ReAct 步数都约为18–19步。成本增加来自输入 token 膨胀，而不是更长的轨迹。

生产环境中真正能提高效率的是提示缓存。指南中的静态部分在步骤之间完全相同，可以缓存，大幅降低实际成本。值得设计能利用缓存的提示结构：保持共享指南前缀稳定，使其持续可缓存。

我们也假设上下文窗口大小有影响：窗口较大的模型可能更有效吸收完整指南，较小窗口模型则更适合保持注入内容精简的检索方式。但尚未通过受控实验单独隔离这一因素。

记忆应校准，而不只是积累

应该给智能体的是它真正能用上的经验量。

• 较弱模型需要精简核心加少量任务专属经验，恰好也是最便宜的方案。
• 仍有提升空间的强模型应保留整套指南，并通过提示缓存控制生产成本。
• 饱和模型在更充分了解剩余失败模式之前，不应增加额外上下文。

收益可由自动流程获得，无需人工标注，也没有测试数据泄漏，但前提是剂量适合模型。

下一步

这只是起点：

• 学习得到的选择器。 目前检索按余弦相似度排序，但我们已证明它不能完美预测哪条指南会帮助具体任务。由结果信号训练选择器，是自然的下一步。
• 很弱模型的记忆。 低于最低能力基线时，自我提炼缺乏信号。为很弱模型提供由教师模型提炼的记忆，是我们正在探索的另一个问题。
• 超越 AppWorld。 本次结果在严格的多步骤基准 AppWorld 上验证，但它终究只有一个基准。更广的智能体基准和真实部署仍在推进。
• 隔离上下文窗口。 如前所述，我们希望通过受控实验，将窗口大小和原始能力分开。

可以尝试原文链接的 ALTK-Evolve 库，其中包含本研究使用的抽取、整合和检索流程；或阅读完整技术报告，了解方法与消融实验。

附录：指标解释

AppWorld 使用两项指标，均以百分比报告，越高越好。

• TGC（Task Goal Completion）：智能体完整、正确完成的单项任务占比，回答“是否完成工作”。
• SGC（Scenario Goal Completion）：更严格、全有或全无。每个场景含同一任务的多个变体，可能改变数据、措辞或边界条件。只有智能体成功完成每个变体，场景才算通过。它衡量可靠性：经常完成任务、但在某个变体失败的智能体，可以获得 TGC 分数，却不能让该场景获得 SGC 分数。

原文：How Much Memory Does Your Agent Actually Need?，2026年8月18日。作者：Vatche Isahagian、Gaodan Fang、Jayaram Radhakrishnan、Punleuk Oum、Ashwath Vaithinathan Aravindan、Evelyn Duesterwald、G Thomas、Vinod Muthusamy、Merve Unuvar、Ayhan Sebin（IBM Research）。本文为中文译稿，表格数据和实验结论来自原文；原文权利归原权利人所有，转载依据用户明确授权。原文图1及技术报告链接仍需在发布前完整核验。