应该给 AI Agent 多少记忆？一项针对 8 个模型的研究发现（2026 年）

这里的“记忆”指的是提炼出的指南，而非对话记录

这是首先需要明确的一点，因为这个词涵盖了几个不同的概念。作者明确指出：“这里的‘记忆’并不意味着重放过去的对话记录。它指的是一个指南集——从 Agent 自身先前的轨迹中提炼出的成功策略、需要避免的错误以及边缘情况。”

其循环是：Agent 尝试任务并生成轨迹；系统“从其成功和失败的运行中”提取行为指南；将其整合为一个可重用的集合；在推理时，Agent 会接收完整集合或其中的一部分。至关重要的是，“没有更新任何模型权重。”改变的是“Agent 可获得的指导”，而不是模型本身。

因此，这不是一项关于对话历史的研究，也不是一项关于长上下文窗口的研究——这一区别值得与为什么大上下文窗口不是记忆区分开来。

基准测试与两个指标

评估在 AppWorld 上进行——“横跨 9 个模拟应用（日历、消息、支付等）的 585 个多步任务（168 个 test_normal + 417 个 test_challenge）。”

两个评分，它们之间的差距正是最有趣的部分：

TGC — 任务目标完成度（Task Goal Completion）。“Agent 完整且正确完成的单个任务的比例。”这是衡量“是否有效”的核心数据。

SGC — 场景目标完成度（Scenario Goal Completion）。“一个更严格、非全即无的指标。”每个场景都捆绑了同一任务的几个变体，而“只有当 Agent 在每个变体上都取得成功时，SGC 才将该场景计为通过。它衡量的是可靠性。”

三种配置

两种记忆配置都源自同一个指南集，“仅从 AppWorld 的训练集中挖掘一次……”，作者指出“没有任何测试集数据用于构建它”。不同之处在于呈现方式：

Baseline（基线）——“无记忆——出厂状态的 Agent。”

Full guideline set（完整指南集）——“在每个 ReAct 步骤中注入挖掘出的每一条指南。”

Curated retrieval（精选检索）——“这些指南中固定、高置信度的核心部分，加上为每个任务检索到的少量任务相关指南（固定部分 + 变量部分）。”

有三点非常突出。

强模型吸收了所有内容。 仍有提升空间的模型在完整指南集上表现最好，“包括罕见的边缘案例教训”，因为“它们有能力吸收并应用所有这些内容。”

较弱的模型受到容量的伤害。 “较小或较弱的模型会被庞大的指南集淹没。”对于 gpt-oss-120b，完整集合相比 curated retrieval “提升更少，且多消耗了约 50% 的 token”。

严格指标的提升幅度超过了核心指标。 DeepSeek 的 TGC 提升了 +9.5，但 SGC 提升了 +16.1，因为“优秀的指南尤其能帮助 Agent 解决场景的每一个变体，而不仅仅是平均情况。”即使是接近天花板的模型在可靠性上也在持续提升：GPT-5.5 和 Opus 分别增加了 +7.2 和 +7.1 个百分点的 SGC。作者的表述值得铭记——“只要模型还有未解决的失败模式，记忆就会持续发挥作用。”

而有一个模型则毫无变化。GLM-5 在这些任务中，无论有无记忆，得分都完全相同。这其中的含义是作者最为谨慎对待的地方，下文将对此进行介绍。

对在每一步注入指南的本能反对意见是成本，这是一个合理的担忧。他们的测量结果如下：

因此，对于较弱的模型，选择性检索在两个维度上同时胜出：“在仅增加 +5% token 的情况下，TGC 提升了 +16.1 个百分点。”正如作者所说，“在这里，更好的性能并不需要更多的推理成本。”

对于任何预算有限的人来说，有两个支持性发现非常重要。首先，开销是输入膨胀，而不是更多的工作：“DeepSeek 在有记忆和无记忆的情况下运行的 ReAct 步骤数量大致相同（平均约 18-19 步），因此增加的成本是输入 token 的膨胀，而不是更长的轨迹。”其次，有一个标准的调节杠杆——“生产环境中的真正效率杠杆是提示词缓存（prompt caching）：指南集的静态部分在各个步骤中是相同的，可以进行缓存，从而大幅降低实际成本。”他们建议为此进行设计：“保持共享指南集前缀的稳定，以便其保持可缓存状态。”

最后一点具有直接的设计启示。在每次调用时重新洗牌输出的记忆层会破坏缓存。而一个拥有稳定核心和少量可变尾部的记忆层运行成本更低——这也是在较弱模型上赢得准确率优势的配置。

作者对自身研究的局限性有着极强的自律，正确引用他们的话是解读这一结果的诚实方式。

“饱和”描述的是一种现象，而非原因。 针对 GLM-5 毫无起色的结果：“我们称之为饱和模式——这个标签描述了我们观察到的现象，而不是一个被证实的原因。该模型在这些任务上可能已经接近其天花板，指南可能没有解决其剩余的失败问题，或者它可能没有有效地应用这些指导。”这并不是关于模型质量的结论。这只是一个基准测试、一个指南集、一种配置。

能力层级不等于参数量。 “决定模型进入哪种模式的不仅仅是参数量。基准测试的提升空间、上下文窗口大小、架构、指南质量和任务分布似乎都会影响模型的最终表现，而分离这些因素是正在进行的工作。”请注意，745B 的 GLM-5 和 671B 的 DeepSeek 处于不同的模式。

上下文窗口的解释只是一个假设。 他们认为更大的窗口可能会更好地吸收完整集合，并直接表示：“我们尚未运行隔离该因素的对照实验。”

这只是一个基准测试。 “这些结果是在 AppWorld 上验证的——这是一个严格的多步基准测试，但它只是单一的基准。”更广泛的基准测试和实际部署已被列入后续计划。

检索本身也承认是不完美的。 “我们目前的检索通过余弦相似度对指南进行排序，我们已经证明这并不能完美预测哪些指南对特定任务有帮助。”他们将“学习型选择器”列为下一步——这意味着，尽管采用了粗糙的选择方法，精选检索（curated-retrieval）的数据依然取得了成功。

极弱的模型不在讨论范围内。 “在低于最低能力基线的情况下，自我提炼缺乏信号。”

综合来看：该研究发现的方向得到了很好的支持，但具体数据仅属于该基准测试和该方法。不要将这些百分比直接套用在您自己的系统上。

将存储视为问题的全部。 大多数记忆设置都致力于捕获更多内容。而这项研究表明，捕获只是简单的一半——针对每个任务注入了什么，才是决定准确率 and 成本的关键所在。

因为现在上下文很便宜，所以注入所有内容。 便宜并不意味着免费，在这里它增加了 +51% 到 +78% 的开销，而且对于较弱的模型，更多的上下文反而让结果变差。

假设更大的模型需要更少的帮助。 接近天花板的模型在可靠性指标上仍然取得了显著的提升。核心准确率掩盖了这一点，但严格的指标没有。

通过平均情况下的成功来评估记忆。 TGC 在整个过程中都低估了收益。如果您的 Agent “通常是正确的”，那么记忆所修复的可能是它失败的变体，而这正是 SGC 所衡量的。

当一个模型没有表现出收益时，就断定记忆不起作用。 作者明确拒绝根据他们自己的数据得出这一结论。

这项研究的实际转化并不是“少存储”。而是记忆层必须能够进行选择、保持稳定的核心并可修剪——因为剂量是您针对每个模型和每个任务做出的决策，而不是在设置时一劳永逸。

将您的记忆拆分为核心和尾部。 一个始终注入的、小而高置信度的集合，加上每个任务检索到的任务相关条目。这就是在较弱模型上同时赢得准确率和成本优势的配置，而且它也是保持可缓存的配置。

保持核心稳定，以便提示词缓存发挥作用。 如果始终开启的部分在各个步骤中保持字节级一致，您就能享受缓存折扣。默默地重新排序会使这一优势付诸东流。

在您自己的模型上测试这两种剂量。 在您的任务上测量完整集合与“核心+检索”的对比。该研究本身的结论是，答案因模型而异。

衡量严格的指标。 不要只计算完成的任务数；要计算同一任务的每个变体通过的频率。这正是这些收益显现的地方。

进行修剪，因为指南质量被列为一个关键因素。 错误或过时的条目并不是无害的——它们会与优秀的条目一起被注入。

要做到这一点，需要将记忆存储在您可以检查和编辑的地方，而不是让它在单个助手内部累积。这就是 MemoryLake 的作用：一个您的 Agent 可以通过 MCP 或 API 读取的记忆层，其中的条目是独立的且可编辑的，而不是一个不透明且不断膨胀的混乱整体——这正是让校准剂量成为可能的原因。设置只需三个步骤。

步骤 1：创建 API 密钥

登录 MemoryLake 并创建 API 密钥。一个凭证即可通行您连接的所有工具。

步骤 2：上传您的第一批记忆

按照研究中指南集的形式编写条目——每条指南包含一个主张，尽可能针对行为：什么有效、需要避免什么，以及破坏了先前尝试的边缘情况。值得记录的类别包括：

您进行过多次的修正。 根据定义，这些是您置信度最高的核心条目。

失败模式及如何避免它们。 该研究的收益主要来自于解决以前会失败的变体。

看似随意的限制。 速率限制、顺序要求、行为与文档不符的 API。

已经被排除的方案。 没有任何交付物包含的类别，以及每个新 Agent 都会再次提议的类别。

步骤 3：连接您的 AI 和 Agent

连接您使用的工具。MemoryLake 可以通过 MCP 和 API 访问，因此 MCP 原生 Agent（包括 Claude Code、Codex 和 OpenClaw）可以通过指向 MCP 服务器进行连接，而其他助手则可以通过 API 读取相同的记忆。

三个诚实的局限性。MemoryLake 并非这项研究的一部分，上述任何百分比都不是关于它的声明——结果属于作者在他们自己的基准测试上使用的他们自己的方法。它保存您或您的 Agent 写入的内容，因此质量取决于您的输入。而且它不会改变模型的能力；如果您的 Agent 剩余的失败不是指导能够解决的那种，那么更好的记忆也无法解决它们。

“更多上下文”不再是默认的解决方案。 对于较弱的模型，更多内容反而让情况变糟。选择性检索才是杠杆。

可靠性成为您关注的指标。 在每个层级（包括接近天花板的模型），严格的“所有变体”衡量指标的提升幅度都超过了核心准确率。

成本不再是反对记忆的理由。 在一个模型上，仅增加 +5% 的 token 就换来了 +16.1 个百分点的提升，而其余模型则可以通过在稳定核心上使用提示词缓存来控制成本。

更换模型变成了重新校准。 更换模型后，合适的剂量可能会随之改变，因为能力层级无法从参数大小中预测。

修剪成为一项提升性能的活动。 指南质量被列为决定模型进入哪种模式的因素之一——这使得删除过时条目成为真正的性能优化工作，而不仅仅是整理。关于 token 方面的讨论，请参阅使用记忆层减少 token 使用量。

从一个高置信度的小核心开始。 只有当您能证明增加内容有所帮助时，才去扩大它。

对于其他所有内容，按任务进行检索。 对于没有提升空间的模型，几条相关的条目优于完整的集合。

保持始终开启的前缀字节级稳定。 可缓存性是决定成本是否可承受的关键。

在您自己的任务上运行 A/B 测试。 在您的工作负载上对比完整集合与精选集合。该研究的核心发现正是：答案并非普适。

采用非全即无的评分方式，而不是平均分。 可靠性才是指导发挥价值的地方。

记录日期并删除。 过时的条目也会被注入。

不要将毫无起色的结果解读为记忆无用的证据。 作者针对他们那一个零收益的案例提出了三种可能的解释，但并未断定是哪一种。

将记忆保持在模型外部。 这项研究中没有更新任何权重——这就是为什么该方法“采用成本低，且在我们测试的八个模型中具有可移植性”。可移植性是保持其外部化的一个属性，具体情况请参阅持久化记忆意味着什么。

值得吸取的发现正是作者在章节标题中所写的那句话：“记忆应该被校准，而不仅仅是累积。”具有提升空间的强模型使用了完整的自我提炼指南集。较弱的模型在使用紧凑核心加上按任务检索时表现更好——而且是在仅增加 +5% token 而不是 +51% 的情况下实现的。一个模型没有表现出可测量的变化，作者刻意拒绝仅根据单一基准测试来解释原因。

对于您自己的 Agent，这可以转化为三个习惯：将稳定的始终开启的核心与检索到的尾部分开，衡量可靠性而不是平均成功率，并将修剪视为性能优化的一部分。同时，将记忆本身保存在可检查和可编辑的地方，因为“多少”是您每次更换模型时都需要调整的旋钮——而不是一次性打开的开关。