# 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： ```text 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： ```text project_status = completed ``` 重新查找後發現： ```text 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： ```text content: Project X currently paused. confidence: 0.82 source: conversation_2026_07_31 status: inferred ``` 而不是只保存： ```text 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 ```text ┌──────────────────┐ │ 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： ```yaml raw_record: id: timestamp: source: conversation_id: agent_id: content: provenance: version: ``` 工作記憶： ```yaml memory_item: id: statement: confidence: status: source_refs: created_at: last_verified_at: supersedes: ``` 回憶事件： ```yaml 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： 1. 所有對話必須永久保存； 2. 所有 Raw Data 必須逐字保存； 3. Context 越小越好； 4. RAG 永遠優於 full-context； 5. 摘要沒有價值； 6. 向量資料庫就是記憶； 7. 完整資訊區等於真正的人類記憶； 8. Agent 已經具有主觀回憶； 9. 所有資訊都應允許 Agent 自由存取； 10. 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 1. Park, J. S., et al. *Generative Agents: Interactive Simulacra of Human Behavior*. 2023. 2. Packer, C., et al. *MemGPT: Towards LLMs as Operating Systems*. 2023. 3. Wu, D., et al. *LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory*. ICLR 2025. 4. Tan, Z., et al. *In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents*. 2025. 5. Zhou, S. *A Simple Yet Strong Baseline for Long-Term Conversational Memory of LLM Agents*. 2025. 6. Yu, Y., et al. *Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents*. 2026. 7. Wang, T., Dong, Y. *MGRetrieval: Memory-Guided Reflective Retrieval for Long-Term Dialogue Agents*. 2026. 8. Hu, C., et al. *EverMemBench: Benchmarking Long-Term Interactive Memory in Large Language Models*. 2026. 9. OpenAI. *Sessions — OpenAI Agents SDK*. 2026. 10. OpenAI. *Agent Memory — OpenAI Agents SDK*. 2026. 11. 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.