完整資訊區與工作記憶

——Agent 長期記憶的雙模式架構、按需重建與認知回溯

英文題名： Full Information Field and Working Memory: A Dual-Mode Architecture for Long-Term Agent Memory, On-Demand Reconstruction, and Cognitive Recall
作者： Neo.K
AI 協作： Aletheia（GPT-5.6 Thinking）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026 年 8 月
類型： AI Agent Memory／Long-Term Memory／Cognitive Architecture／Information Preservation／Memory Reconstruction

摘要

長期 AI Agent 面臨一個基本矛盾：若完整保留並重新載入所有歷史資訊，系統可以獲得較高的資訊保真度，卻會隨歷史增長遭遇 context、attention、latency 與 retrieval cost；若把全部歷史壓縮成摘要、偏好、狀態與少量記憶，則雖然工作效率提高，卻不可避免地存在資訊遺失、語境消失、來源混淆與錯誤固化問題。

本文提出一個最低限度的雙模式長期記憶架構：

\boxed{ \mathcal R + \mathcal W_t }

其中：

\mathcal R

為 完整資訊區（Full Information Field / Archival Information Field），保存可供重新檢驗的原始或高保真歷史資訊；

\mathcal W_t

為 工作記憶（Operational / Working Memory），只保留 Agent 當前問題所需的有限、可操作表示。

本文不主張 Agent 每輪讀取 $\mathcal R$ 。相反，日常推理主要發生於：

\mathcal W_t

只有當 Agent 或使用者偵測到：

記憶可能錯誤；
語義不足；
來源不明；
歷史衝突；
時序不確定；
需要更高解析度；

時，系統才由：

\mathcal W_t

重新進入：

\mathcal R

執行局部索引、展開與重新建構。

因此記憶不是一次性的：

Conversation \rightarrow Summary

而是可反覆運作的：

\boxed{ \text{Convergence} \rightarrow \text{Triggered Expansion} \rightarrow \text{Evidence Recovery} \rightarrow \text{Reconstruction} \rightarrow \text{Re-convergence} }

此設計與既有 hierarchical memory、Generative Agents、MemGPT、long-term conversational memory、Agentic Memory 等研究存在明確鄰近關係，但本文強調的核心不是某種特定 memory algorithm，而是：

壓縮後的記憶不應被視為歷史本體，而應被視為對完整資訊場的一個暫時工作投影。

由此本文進一步提出：

\boxed{ \text{Remembering} \neq \text{Keeping Everything in Context} }

以及：

\boxed{ \text{Forgetting from Working Memory} \neq \text{Erasing from Recoverable History} }

這一架構將成為後續「認知狀態重建」「多表示記憶」「拓樸／相位記憶」以及「無界展開—收斂—自適應記憶」的基礎。

關鍵詞

Agent Memory、Long-Term Memory、Working Memory、Archival Memory、Memory Reconstruction、Context Compression、Retrieval、Persistent Memory、Cognitive State、Unbounded Expansion

一、問題：長 Context 是否能解決長期記憶？

直覺上，只要未來模型的 context window 持續增加，似乎可以把：

C_1,C_2,\ldots,C_n

全部放入模型。

即：

W = \bigcup_{i=1}^{n}C_i

若 context 足夠大，問題似乎消失。

然而這個推論混淆了：

\text{Can be loaded}

與：

\text{Should be actively processed}

即使 context window 進一步擴大，智能體仍必須面對：

哪些資訊目前重要？
哪些資訊彼此衝突？
哪個版本最新？
哪些只是舊假設？
哪些資訊值得細讀？
哪些只需知道存在？
哪些應重新查證？

因此：

\boxed{ \text{Context Capacity} \neq \text{Memory Organization} }

更大的 context 降低容量限制，但不會消除記憶組織問題。

LongMemEval 對持續多 session 對話的測試亦顯示，長期記憶不只是「把更多歷史塞入模型」；其中還包括 information extraction、multi-session reasoning、temporal reasoning、knowledge update 與 abstention 等不同能力，而且單純長 context 系統在長期互動下仍會出現明顯性能下降。

二、當代系統已開始區分「歷史」與「記憶」

這個區分其實已經開始出現在實際 Agent 架構。

OpenAI Agents SDK 的 Session 被定義為一種 persistent memory layer，會保存並在後續 run 中重新取得 conversation history。

另一方面，其 Sandbox Agent Memory 又明確與 Session memory 分離：

Session 保存訊息歷史；
Agent memory 則從先前執行中提煉 lesson／memory artifact，供未來工作使用。

因此實際工程已經自然出現：

\text{Conversation History} \neq \text{Distilled Agent Memory}

本文把這個區分再抽象一步。

三、雙模式最低模型

定義完整資訊區：

\mathcal R_t

它包含至 $t$ 時刻為止可合法保存的高保真資訊：

\mathcal R_t = \{ C, E, F, A, T, V, P,\ldots \}

例如：

Conversations；
Events；
Files；
Artifacts；
Tool outputs；
Agent messages；
State changes；
Version histories；
Provenance。

再定義工作記憶：

\mathcal W_t

為智能體當下實際參與推理的有限認知集合。

因此：

\boxed{ \mathcal W_t \subseteq \mathcal R_t^{*} }

其中 $\mathcal R_t^{*}$ 不表示簡單逐字子集合，而表示可由 $\mathcal R_t$ 生成的：

摘要；
索引；
關係；
推論；
狀態；
投影；

等衍生表示。

四、完整資訊區不等於「全部塞進 Context」

這是本文最重要的澄清之一。

完整資訊區：

\mathcal R

只是：

系統具有重新取得這些資訊的能力。

不表示：

\mathcal R \subseteq Context_t

反而通常：

|\mathcal W_t| \ll |\mathcal R_t|

所以：

\boxed{ Accessible \neq Active }

一段十年前的對話可以仍然可取得，但完全不需要參與目前「今天午餐吃什麼」的推理。

五、為什麼摘要本身不能成為唯一記憶？

假設：

\mathcal C: \mathcal R \rightarrow \mathcal W

為某個壓縮／收斂函數。

一般而言：

|\mathcal W| \ll |\mathcal R|

因此 $\mathcal C$ 幾乎必然不是單射。

即存在：

R_1\neq R_2

但：

\mathcal C(R_1) = \mathcal C(R_2)

也就是兩段不同歷史可能得到完全相同摘要。

例如：

歷史 A

使用者說：

「方案 A 我現在暫時比較喜歡，但先不要決定。」

歷史 B

使用者說：

「方案 A 確定採用。」

某個不良摘要器可能都產生：

「使用者偏好方案 A。」

這時：

\mathcal C(R_A) = \mathcal C(R_B)

但原始語義完全不同。

六、壓縮的不完全可逆性

因此通常不存在：

\mathcal C^{-1}

可以僅從摘要完美恢復原對話。

亦即：

\boxed{ \mathcal W \nRightarrow \mathcal R }

所以如果系統只保留：

\mathcal W

並永久刪除：

\mathcal R

則某些資訊遺失將成為：

\text{irreversible}

這就是本文保留完整資訊區的第一個理由。

七、工作記憶不是「錯的記憶」

這裡也需要避免另一個誤解。

壓縮不是天然錯誤。

相反，智能必須壓縮。

因為如果每次思考都重新處理整個歷史：

Cost_t \propto |\mathcal R_t|

隨著：

t\rightarrow large

系統會越來越昂貴。

所以合理策略是：

\mathcal R \xrightarrow{\pi_t} \mathcal W_t

其中：

\pi_t

是針對當下任務的投影。

真正錯誤的不是：

Compression

而是：

\boxed{ \text{把某一次 Compression 誤認成完整歷史本身} }

八、同一歷史可以有很多種工作投影

假設完整資訊區為：

\mathcal R

當問題是公司歷史時：

\mathcal W_{\text{company}} = \pi_{\text{company}}(\mathcal R)

當問題是程式架構時：

\mathcal W_{\text{code}} = \pi_{\text{code}}(\mathcal R)

當問題是理論發展時：

\mathcal W_{\text{theory}} = \pi_{\text{theory}}(\mathcal R)

所以：

\boxed{ \pi_i(\mathcal R) \neq \pi_j(\mathcal R) }

完全合理。

這也表示「一個最佳永久摘要」本身可能就是錯誤問題。

九、記憶應該依問題重新投影

因此本文提出：

\boxed{ \mathcal W_t = \Pi( \mathcal R, Q_t, G_t, B_t ) }

其中：

$Q_t$ ：當前問題；
$G_t$ ：當前目標；
$B_t$ ：可用 context／算力預算；
$\Pi$ ：記憶投影器。

同一份歷史：

\mathcal R

在不同問題下生成不同：

\mathcal W_t

這是一種：

\text{Question-Conditioned Memory Reconstruction}

十、從早期 Generative Agents 到雙模式思想

2023 年 Generative Agents 已經提出一個高度相關的架構：系統保存 Agent 經驗的完整記錄，再從中形成較高階 reflection，並根據需要動態 retrieval。

也就是已有：

\text{Experience Stream} \rightarrow \text{Reflection} \rightarrow \text{Retrieval}

的基本分層。

本文與之相近，但研究焦點不同。

Generative Agents 主要關心：

如何產生具有連續行為與可信模擬的 Agent？

本文主要問：

如何避免工作記憶壓縮成為不可逆的認知邊界？

十一、MemGPT：Context 作為有限工作區

MemGPT 則更直接將 LLM context 類比為有限記憶資源，借用傳統作業系統 hierarchical memory 的思想，在不同記憶層之間移動資訊，以突破固定 context window 的限制。

其基本直覺可以抽象成：

\text{Fast Memory} \leftrightarrow \text{Slow Memory}

本文接受這個工程方向，但進一步加入：

\boxed{ \text{資訊保真角色} }

也就是某些層不只是「慢記憶」，還負責保存未來重新解釋的可能性。

十二、完整資訊區的角色不是「聰明」，而是「保真」

因此：

\mathcal R

不需要高度抽象。

它甚至可以很笨。

例如：

2026-08-07 14:03:52
USER:
我暫時偏向方案 A，但還不要定案。

2026-08-07 14:04:10
AGENT:
目前記錄為 tentative preference。

其優勢恰恰在於：

\text{minimal reinterpretation}

即盡量避免過早把資訊改寫成：

使用者選擇方案 A。

十三、完整資訊區需要 provenance

完整資訊不只包含內容。

最低形式應是：

r_i = ( content, source, time, context, version, authority )

因為：

「使用者說過 X」

與：

「Agent 推測使用者可能認為 X」

不是同一種記憶。

因此：

\boxed{ Content \neq Provenance }

缺少 provenance 的長期記憶非常容易逐步把：

Inference

誤寫成：

Fact

十四、完整資訊區也不等於永久不刪

本文所謂「完整」是架構角色，不是無條件永久 retention。

真實系統仍需受到：

使用者刪除權；
隱私；
法律；
安全；
儲存政策；
敏感資料治理；

等約束。

因此應寫成：

\mathcal R_t = \text{maximally faithful information under valid retention policy}

而不是：

\text{store everything forever}

十五、記憶重建何時觸發？

雙模式架構真正重要的是：

\boxed{ \text{何時從工作記憶回去找完整資訊？} }

本文提出第一版觸發集合：

\Gamma = \{ \gamma_1,\gamma_2,\ldots,\gamma_n \}

15.1 使用者糾錯

使用者說：

「不對，我當時不是這樣說。」

觸發：

\gamma_{\text{user-correction}}

此時 Agent 不應繼續 defend memory。

而應：

\mathcal W_t \rightarrow Retrieve(\mathcal R)

15.2 內部矛盾

若 Agent 發現：

m_1 \land m_2 \rightarrow \bot

即兩項記憶衝突，應重新查找來源。

15.3 低信心

若：

Conf(m)<\theta

則觸發更深 retrieval。

15.4 時間歧義

例如：

「後來決定的是哪一版？」

需要：

Temporal\ Reconstruction

不能只靠語義相似度。

LongMemEval 特別將 temporal reasoning 與 knowledge update 作為獨立長期記憶能力；2026 年 EverMemBench 亦指出複雜長期互動中的 temporal reasoning 與 memory awareness 仍然是困難問題。

15.5 來源要求

使用者問：

「我在哪一個對話說過？」

需要 provenance-oriented retrieval。

15.6 高風險決策

若 Agent 即將執行：

high\ impact\ action

則即使目前記憶看似充分，也可以提高 recall depth。

十六、使用者與 AI 都可以觸發回溯

因此完整資訊回溯不能只有：

User \rightarrow Recall

也應允許：

Agent \rightarrow Recall

形成：

\boxed{ \text{Human-triggered reconstruction} + \text{Agent-triggered reconstruction} }

即：

使用者覺得 AI 搞錯，可以要求回去找。

以及：

AI 自己覺得現有記憶不夠，也可以主動回去找。

十七、回憶不是一次搜尋

簡單 RAG 通常：

Q \rightarrow TopK \rightarrow Answer

但長期記憶可能需要：

Q \rightarrow R_1 \rightarrow Hypothesis_1 \rightarrow R_2 \rightarrow Hypothesis_2 \rightarrow \cdots

直到：

Sufficiency\ge\theta

2026 年 MGRetrieval 已開始研究 reflective retrieval：系統會根據已有記憶結構逐步建立 retrieval path，保留關鍵資訊，並判斷目前證據是否足以停止繼續檢索。

因此本文提出：

\boxed{ \text{Recall} \text{ 可以是一個過程，而非一次 lookup} }

十八、雙模式其實可以實作成三層

邏輯上本文只有：

\mathcal R+\mathcal W

但工程上可以自然形成：

Hot

\mathcal W_t

目前 context。

Warm

\mathcal I_t

摘要、索引、向量、狀態、metadata、graph。

Cold

\mathcal R_t

高保真完整歷史。

因此：

\boxed{ Hot \leftrightarrow Warm \leftrightarrow Cold }

這只是工程分層，不改變核心二元：

\text{Working Representation} + \text{Recoverable Information}

十九、為什麼「全部重新讀一次」也不是最佳回憶？

假設：

|\mathcal R|=10^9\ tokens

即使模型 context 能放進去：

10^9

也不代表每次回憶都應處理全部。

因為回憶的目標是找到：

R_Q \subset \mathcal R

使得：

R_Q

對問題 $Q$ 足夠。

因此理想 recall 應求：

R_Q^{*} = \arg\min_{R_Q} Cost(R_Q)

subject to：

Sufficiency(R_Q,Q)\ge\theta

即：

在資訊充分的條件下，找到足夠小的相關證據區域。

二十、記憶不是越多越好

這一點現在已有越來越多研究證據。

長期 conversational memory 的困難之一，正是 redundant context 與 retrieval noise；2026 年的 MGRetrieval 明確以建立「concise and sufficient memory context」作為目的。

因此：

\boxed{ More Retrieved Memory \not\Rightarrow Better Reasoning }

應追求：

\boxed{ Sufficient Relevant Memory }

二十一、短歷史與長歷史甚至可能採不同策略

一個值得注意的 2025 年結果是 Convomem Benchmark：在較短的 conversation history 下，完整 context 可能仍非常具有競爭力，而在歷史繼續增長之後，成本與延遲才逐步使 hybrid／retrieval-based 方法變得必要。

因此：

Strategy = f(|\mathcal R|)

可能合理。

小歷史：

FullContext

中等歷史：

FullContext+Filtering

大型歷史：

HierarchicalRetrieval

極大型歷史：

AdaptiveReconstruction

所以本文不主張：

所有場景都必須 RAG。

而是：

\boxed{ \text{Memory Strategy itself should eventually become adaptive} }

二十二、工作記憶應容許被推翻

假設目前：

\mathcal W_t

記錄：

project_status = completed

重新查找後發現：

user: 先暫時封版，之後還會繼續。

則新的工作記憶應為：

\mathcal W_{t+1} \neq \mathcal W_t

而不是強迫新證據符合舊摘要。

所以：

\boxed{ Memory Reconstruction \neq Memory Confirmation }

二十三、收斂結果必須帶置信度

一個記憶物件可寫成：

m_i = ( content, confidence, source, time, status )

例如：

content:
  Project X currently paused.

confidence:
  0.82

source:
  conversation_2026_07_31

status:
  inferred

而不是只保存：

Project X is paused.

這為之後的：

Agent\ Self\text{-}Correction

保留接口。

二十四、壓縮記憶的版本化

收斂記憶也不應永久覆蓋。

假設：

M^{(1)}

是 7 月建立的理解，

M^{(2)}

是 8 月重新重建後的理解。

可以保存：

M^{(1)} \rightarrow M^{(2)}

而不是：

M^{(1)} \xrightarrow{delete} M^{(2)}

如此便能回答：

為什麼 AI 上個月以為是 A，今天卻說是 B？

這也是認知系統的可審計性。

二十五、完整歷史與當前真相不是同一件事

假設：

1 月：

X=A

4 月改成：

X=B

8 月改成：

X=C

完整資訊區應保留：

A\rightarrow B\rightarrow C

但工作記憶可能只需要：

X=C

因此：

\boxed{ Historical Truth \neq Current State }

長期記憶系統必須同時知道：

「現在是什麼？」

以及：

「以前曾經是什麼？」

二十六、這正是資料庫與 Event Log 的差異

Current State：

S_t

可以非常小。

Event History：

E_{0:t}

可以非常大。

而：

S_t = F(E_{0:t})

但一般不能保證：

E_{0:t} = F^{-1}(S_t)

因此：

\boxed{ State \neq History }

這也是為什麼下一篇必須正式討論：

對話如何被編譯成 Event、State、Memory、Knowledge 與 Artifact？

二十七、記憶重建閉環

本文提出第一版完整流程：

Q_t \rightarrow \mathcal W_t

若：

Sufficiency(\mathcal W_t,Q_t)\ge\theta

則直接：

Answer

若：

Sufficiency(\mathcal W_t,Q_t)<\theta

則：

\mathcal W_t \rightarrow Query(\mathcal R)

取得：

R_t^{(1)}

重新推理：

\mathcal W_t' = Reconstruct( \mathcal W_t, R_t^{(1)} )

若仍不足：

R_t^{(2)}

如此反覆，直到：

Sufficiency\ge\theta

或：

Budget=B_{\max}

最後：

\boxed{ \mathcal W_t \rightarrow \mathcal R \rightarrow \mathcal W_t' }

二十八、它與「無界展開」開始接上

此處已經出現與既有 UBE 非常清楚的連接。

UBE 的核心並不是要求有限機器完成無限，而是：

在任一已成有限狀態之後，仍可合法生成下一個具有真進展的有限狀態。

原有論文甚至已明確提出：

AI 即使每輪只有固定 context、有限記憶與有限算力，只要仍能透過檢索、外部事件、問題分解或規則生成構造新的合法有限工作場，就可能具有 UBE 性質。

將其用於記憶：

\mathcal W^{(0)} \rightarrow \mathcal W^{(1)} \rightarrow \mathcal W^{(2)} \rightarrow \cdots

每一步都有限。

但只要仍有需要且仍有合法資料：

\exists\mathcal W^{(k+1)}

即可繼續展開。

二十九、所以真正需要的不是「無限 Context」

而是：

\boxed{ \text{Finite Working Context} + \text{Open-Ended Recoverability} }

這比：

Context=\infty

更符合有限計算系統。

即：

|\mathcal W_t|<\infty

始終成立。

但可要求：

\forall k<\text{requested finite depth},

仍存在新的合法有限 recall prefix。

這正是 UBE 所強調的任意有限延展性，而非一次完成無限序列。

三十、Agent 自己決定記什麼：下一階段已經出現

2026 年 Agentic Memory（AgeMem）提出把：

store；
retrieve；
update；
summarize；
discard；

直接作為 Agent 可選擇的 memory action，使 Agent 學習何時執行不同記憶操作，而不是只依賴固定 heuristic controller。

這與本文後續方向高度相鄰。

因為一旦：

Agent

可以決定：

Store?

Retrieve?

Summarize?

下一個自然問題就是：

\boxed{ \text{應該用什麼記憶表示？} }

這正是第四至第七篇將進入的問題。

三十一、雙模式不是最終記憶本體論

本文必須明確限制自身主張。

本文不主張：

Memory = Raw+Summary

為最終形式。

這只是最低架構。

未來：

\mathcal W

可能包含：

state machine；
relational database；
vector memory；
knowledge graph；
event graph；
topology；
phase space；
causal structure；
temporal manifold；
symbolic structure；
learned latent memory；

甚至尚未存在的表示形式。

因此真正穩定的命題只有：

\boxed{ \text{Recoverable Information} \neq \text{Current Cognitive Representation} }

三十二、雙模式是一個角色分工，而不是資料格式分工

完整資訊區的角色：

\boxed{ Fidelity }

工作記憶的角色：

\boxed{ Operability }

即：

\mathcal R \rightarrow \text{保真}

\mathcal W \rightarrow \text{可操作}

因此：

\boxed{ \text{High Fidelity} + \text{High Operability} }

透過分層而不是要求單一表示同時最大化兩者。

三十三、本文的四個核心命題

命題一：工作記憶非本體命題

\boxed{ \mathcal W_t \neq \mathcal R_t }

Agent 當前記得的，不等於完整歷史。

命題二：壓縮非可逆命題

對一般記憶收斂函數：

\mathcal C: \mathcal R \rightarrow \mathcal W

通常：

\boxed{ \mathcal C^{-1} \text{ 不存在} }

因此只保存 $\mathcal W$ 會造成某些不可逆資訊損失。

命題三：按需重建命題

當：

Sufficiency(\mathcal W,Q)<\theta

時：

\boxed{ \mathcal W \rightarrow \mathcal R \rightarrow \mathcal W' }

應允許記憶重新展開。

命題四：有限工作—非終界可回憶命題

即使：

|\mathcal W_t|<\infty

只要：

\mathcal R

仍可按需局部取得並產生新的有效工作表示，Agent 的認知歷史就不必受限於單次 context window。

三十四、最小工程架構

                    ┌──────────────────┐
                    │   User / Agent   │
                    └────────┬─────────┘
                             │
                           Query
                             │
                    ┌────────▼─────────┐
                    │  Working Memory  │
                    │       W(t)       │
                    └────────┬─────────┘
                             │
                   sufficient?
                      /             \
                    yes              no
                    │                 │
                  Answer        Retrieval Trigger
                                      │
                              ┌───────▼────────┐
                              │ Memory Index   │
                              │ / Metadata     │
                              └───────┬────────┘
                                      │
                              ┌───────▼────────┐
                              │ Full Info Field│
                              │       R        │
                              └───────┬────────┘
                                      │
                                Reconstruction
                                      │
                              ┌───────▼────────┐
                              │      W'(t)     │
                              └────────────────┘

三十五、MVP 資料結構

最低限度可以有：

raw_record:
  id:
  timestamp:
  source:
  conversation_id:
  agent_id:
  content:
  provenance:
  version:

工作記憶：

memory_item:
  id:
  statement:
  confidence:
  status:
  source_refs:
  created_at:
  last_verified_at:
  supersedes:

回憶事件：

recall_event:
  query:
  trigger:
  initial_memory:
  retrieved_sources:
  reconstructed_memory:
  confidence_delta:

如此便能追蹤：

\text{AI 原來以為什麼}

以及：

\text{重新讀歷史後改成什麼}

三十六、最重要的實驗不是「AI 記得嗎？」

而是：

AI 發現自己可能記錯時，能不能自己回去找？

第一個真正重要的測試可以設成：

T1 — Memory Conflict

工作記憶：

X=A

原始歷史：

X=B

測試 AI 是否主動修正。

T2 — User Correction

使用者：

「你記錯了。」

看 Agent 是否進入 reconstruction，而非只是接受新說法覆蓋舊說法。

T3 — Temporal Revision

歷史：

A\rightarrow B\rightarrow C

問：

「最終版本是什麼？」

T4 — Historical Recall

問：

「最早版本又是什麼？」

T5 — Provenance Recall

問：

「這個結論是我說的，還是 AI 推論的？」

T6 — Progressive Deepening

第一次 retrieval 不足。

測試：

R_1 \rightarrow R_2 \rightarrow R_3

是否能持續展開直到足夠。

三十七、從第二篇到第三篇

至此仍然存在一個問題。

假設我們不希望 Agent 每次重播完整：

C_{0:t}

那麼：

日常工作記憶到底應該保存成什麼？

單一 Summary 不夠。

因此可以把完整對話：

C_{0:t}

編譯成：

E_t + S_t + M_t + K_t + A_t

其中：

$E$ ：Event；
$S$ ：State；
$M$ ：Memory；
$K$ ：Knowledge；
$A$ ：Artifact。

這將形成下一篇：

《對話不是記憶：從 Transcript Compression 到 Cognitive State Reconstruction》

其真正問題是：

\boxed{ \text{如何讓新的 Agent 不必重新經歷所有過去， 仍能重建足以繼續工作的認知狀態？} }

三十八、本文不主張什麼？

本文不主張：

所有對話必須永久保存；
所有 Raw Data 必須逐字保存；
Context 越小越好；
RAG 永遠優於 full-context；
摘要沒有價值；
向量資料庫就是記憶；
完整資訊區等於真正的人類記憶；
Agent 已經具有主觀回憶；
所有資訊都應允許 Agent 自由存取；
雙模式是未來 AI 的最終記憶形式。

本文只提出最低原則：

\boxed{ \text{不要讓當下有限表示， 成為歷史唯一剩下的版本。} }

三十九、結論

長期 Agent 不可能永遠把全部歷史都當成當前注意力。

因此：

\text{Working Memory}

必然有限。

但有限工作記憶並不要求：

\text{Recoverable History}

同樣有限。

我們因此得到：

\boxed{ \text{有限注意} + \text{較大可達歷史} }

以及：

\boxed{ \text{局部收斂} + \text{按需重新展開} }

Agent 可以平常只知道：

「我們現在採用方案 C。」

但當使用者問：

「當時為什麼從 A 改成 B，又從 B 改成 C？」

它應能重新進入完整資訊區：

\mathcal R

恢復：

A\rightarrow B\rightarrow C

的歷史結構。

因此本文最終提出：

\boxed{ \text{記憶不是讓所有過去永遠同時存在於注意力中； 記憶是讓必要的過去，在需要時仍能重新成為現在的一部分。} }

再進一步：

\boxed{ \text{忘記某件事於當前工作區， 不應自動等於失去重新理解它的可能。} }

若未來 Agent 真正逐漸形成長時間尺度的工作連續性，那麼重要的問題將不再只是：

\text{How much history can it store?}

而是：

\boxed{ \text{How faithfully can it return to its history, and how intelligently can it reconstruct what matters now?} }

參考資料

Park, J. S., et al. Generative Agents: Interactive Simulacra of Human Behavior. 2023.
Packer, C., et al. MemGPT: Towards LLMs as Operating Systems. 2023.
Wu, D., et al. LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory. ICLR 2025.
Tan, Z., et al. In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents. 2025.
Zhou, S. A Simple Yet Strong Baseline for Long-Term Conversational Memory of LLM Agents. 2025.
Yu, Y., et al. Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents. 2026.
Wang, T., Dong, Y. MGRetrieval: Memory-Guided Reflective Retrieval for Long-Term Dialogue Agents. 2026.
Hu, C., et al. EverMemBench: Benchmarking Long-Term Interactive Memory in Large Language Models. 2026.
OpenAI. Sessions — OpenAI Agents SDK. 2026.
OpenAI. Agent Memory — OpenAI Agents SDK. 2026.
Neo.K with Aletheia. 無界展開論：從潛在無限到有限計算生成框架. v0.1, 2026.