记忆不是资产，是一条会自我放大的回路

0. 当日检索情况说明

本期检索覆盖 ACL Anthology 2026（acl-long / findings-acl / eacl-long）、ICLR 2026 virtual 与 MemAgents Workshop、ICML 2026 论文页、OpenReview，以及 arXiv 2601–2608 的 cs.CL / cs.AI 记忆相关条目，共扫读 28 篇候选（含 4 篇综述、6 篇 2607 新预印本），覆盖记忆架构、检索、压缩与遗忘、RL 训练记忆策略、评测基准、安全治理、多智能体共享记忆等子方向。

按"顶会主会长文 > Findings/Workshop > arXiv"的优先级，最终选定 ACL 2026 主会长文 2026.acl-long.27 作为核心工作。它不在首期已覆盖名单（MemGPT / A-MEM / Mem0 / Memory-R1 / MemAct / AgeMem）之内，且恰好是"学习式记忆管理"路线的问题来源。

1.1 书目与核心定位

论文自述贡献是"通过两个最基本的记忆操作——添加与删除——对 Agent 记忆动力学做系统性、定量的分析"，据此揭示 experience-following property："当前任务查询与被检索记录中查询之间的高'输入相似度'，往往产生二者执行结果之间的高'输出相似度'"（p. 623）。由此衍生两个挑战——error propagation 与 misaligned experience replay。

1.2 Motivation：把"更多经验 ≥ 更少经验"按在数据上打掉

2023 年以来的经验型记忆（Generative Agents 的 memory stream、Voyager 的 skill library、ExpeL 的 experience pool、AWM 的 workflow induction）几乎一致采用加法式设计——执行完就写回，隐含假设"更多经验不会更差"。论文第一件事就是打掉这个假设。

1.3 论文的故事线（论证结构）

论文的论证不是"提出方法 → 打榜"，而是一条诊断链：

1.4 方法论与机制解剖

论文不提出新架构，而是构造了一个双轴实验设计：添加策略（写入闸门质量）× 删除策略（回收机制）。

1.4.1 添加策略的形式化

1.4.2 删除策略的形式化

1.4.3 实验设置

主干模型：GPT-4o-mini（绝大多数实验）；鲁棒性复核在 GPT-4o / DeepSeek-V3 / Qwen 上（附录 B.2）。RegAgent 的输出相似度用 RBF 核 exp(−γ|x₁ − x₂|²)，γ = 1.0（附录 A.1）；输入相似度统一为文本编码器特征的余弦相似度（p. 625）。

1.5 实验设计与定量结果

表 1 · 添加策略完整矩阵（论文表 1）

由上表派生的关键量（本报告计算）

相变现象 · 全文最有说服力的定性证据

在 EHRAgent 上，性能沿评估器质量呈严格单调阶梯，且增量明显边际递减：

但真正的相变在 RegAgent 上：

表 2 · 删除策略完整矩阵（论文表 2）

由上表派生的关键量（本报告计算，均相对同评估器下的 No deletion）

一个论文没有明说、但数据支持的设计原则

分布漂移与容量约束（仅论文文字描述，图中无可提取数值）

• 任务分布漂移（图 7）：EHRAgent 上 strict addition / history-based / combined 相对无漂移变体的"性能差距保持很小"；AgentDriver 上"仅 strict addition 就取得了甚至超过无漂移变体的表现"。EHRAgent 上 combined 在漂移场景下逊于 history-based，而 periodic 删除有助于"稳定漂移期间的性能"。
• 记忆容量约束（图 17 / 18）：EHRAgent 上 strict 选择性添加在容量受限时仍能维持接近无限记忆基线的表现；AgentDriver 上 combined 删除使 Agent"适应记忆约束并维持性能"；随受限容量增大性能"逐渐收敛"，说明"朴素的无界记忆增长是不必要的"。

1.6 价值分析

它真正的贡献不是"证明了选择性添加有用"（这是直觉），而是三件更硬的事：

1. 把记忆管理从"检索工程"重新定位为"闭环控制"。experience-following 是枢纽：一旦 Agent 会跟随记忆，记忆库就从被动数据存储变成系统的状态变量，写入策略就是控制律。此后所有"学习记忆策略"的工作（Memory-R1、AgeMem、MemCon）都只有在这个框架里才有意义。
2. 给出一个可移植的价值定义：记录的价值 = 它作为示范时下游任务的平均得分（Φ）。不依赖特定后端、不需要 LLM 调用、不需要梯度，是目前把 credit assignment 引入记忆治理的最低成本形式。
3. 量化了"评估器"这个此前被当作免费资源的组件的价格。C1/C2/C3/Strict 阶梯把"你有多好的评估器"变成一个可以直接读出性能后果的旋钮——如果你手上只有 GPT-4o-mini 级别的判别器，本文数据告诉你在 RegAgent 类任务上你会亏 4.35 pp。

可脱离本文单独复用的部分：φ_hist 的效用回填机制；"评估器质量作为一等实验变量"的实验设计范式；以及"删除激进度 ∝ 1/评估器质量"这条由数据推出、论文未言明的耦合原则。

1.7 局限性

论文自述的限制（直接引用）

1. "本工作的一个局限在于所考虑的记忆管理范围。……本研究聚焦于两个基础且任务无关的操作——记忆添加与记忆删除——而略去了更复杂的机制，如结构变换、合并、摘要与反思。"
2. "另一个局限在于缺乏理论保证。我们的发现主要基于大量的实证分析，尽管这些分析是全面的，但并未提供形式化的理论证明。鉴于 Agent 系统固有的复杂性，推导此类保证往往是不可行的。"

补充批判（本报告的独立观察）

1. "评估器质量"被折叠成一维阶梯，但表 1 自己反驳了这一点。CIC-IoT 上 C2（GPT-4.1-mini，68.80）反而低于 C1（GPT-4o-mini，74.00），差 5.20 pp；而 EHRAgent 上 C2（32.21）高于 C1（26.19）6.02 pp。同一组判别器在两个任务上给出相反的序关系，说明 C1 < C2 < C3 不是评估器能力的内在属性，而是"判别器—任务"匹配度的产物。论文的命名与叙事暗示单调阶梯，与自身数据不一致。
2. "是质量而非规模"这一核心归因存在控制变量缺口。Add-all 相对 Fixed 同时改变了记录质量与记忆规模（11.8×–41.0×）。要判定质量是主因，需要"把 Add-all 随机下采样到与 Strict 同等规模（如 4100 → 2938）"的对照组。论文未报告，因此无法排除"检索池过大导致 top-k 精度下降"这一竞争解释。
3. 真正可部署的最优方法在 RegAgent 上不优于什么都不做。C3（67.35，3139 条）对 Fixed（67.53，100 条）是 −0.18 pp / 31.4× 记忆。论文用 Strict（+3.42 pp）支撑"选择性添加有效"，但 Strict = π_human，即与 ground truth 比对——真实部署中恰恰不可得。论文没有正面处理"当 ground truth 不可得时结论是否成立"。
4. 缺少与"学习式记忆管理"竞品的 head-to-head。表 2 中所有删除策略都是手工规则。同届 ACL 2026 的 Memory-R1（2026.acl-long.583）用 PPO/GRPO 学 ADD/UPDATE/DELETE/NOOP，仅 152 条训练 QA 就在 LoCoMo / MSC / LongMemEval 上超越启发式基线（3B–14B 全尺度）。本文未纳入任何学习式管理器作对照，因此"瓶颈是 evaluator 信号"还是"瓶颈是策略被写死"无法从本文数据判决。这是判决性实验的空白，而非补充实验的空白。
5. experience-following 的主证据来自最容易成立的场景。r ≈ 1 主要来自 RegAgent（图 3），而 RegAgent 是一维合成回归任务，其输出相似度直接定义为 exp(−γ|x₁−x₂|²)。在连续、低维、光滑的输出空间上，"相似输入 → 相似输出"几乎是任务本身的性质，而非 Agent 行为的性质。图 9 的补充在指标口径上（SR vs ACC、离散代码 vs 连续轨迹）不可比。
6. 删除策略的超参敏感性完全缺位。φ_per 依赖窗口与阈值 α，φ_hist 依赖 β 与最小检索次数 n。表 2 只给单点，但同一 Periodic 策略在 CIC-IoT 上跨两档评估器从 +4.10 pp 摆到 −4.60 pp（摆幅 8.70 pp），说明极度敏感。没有 α/β 扫描曲线，无法判断表 2 的数字是否落在各自最优点，也就无法判断策略排序是否稳健。
7. "删除有益"的结论分布不均，摘要口径偏乐观。Strict + History-based 相对 no-deletion：EHRAgent +3.39 pp、CIC-IoT +4.20 pp、AgentDriver +0.81 pp、RegAgent −1.15 pp。四个 Agent 中一个明确变差、一个基本持平；概括为"notable improvements"掩盖了 2 : 1 : 1 的分布。合成任务是唯一变差的那个，原因很可能是回归任务中每条示范都携带信号、不存在真正"有害"的记录——这个反例本身很有价值，论文未展开。
8. 统计显著性报告缺失。CIC-IoT 仅 1000 例，1 pp ≈ 10 个样本；表 2 中 Combined（85.50）与 No deletion（85.40）的 0.10 pp 差异对应 1 个样本。论文未报告任何置信区间、多次运行方差或显著性检验。作为对照，同期 Supersede（arXiv 2606.27472）在类似规模实验上明确给出 p = 0.0033。在"经验记忆收益本来就在几个 pp 量级"的背景下，这削弱了细粒度排序的可信度。
9. 本报告自身的不完备之处：无法从 ACL Anthology PDF 文本层提取图 3–7、图 17–18 的逐点数值，因此错误传播曲线（"约 2000 次执行后反超 ground-truth 基线"）、KDE 质量落差、分布漂移与容量约束部分只能复述论文文字描述，量级未能独立核算。核心工作的官方代码仓库在本次检索中亦未定位，故 α、β、n 的具体取值无法核实。

2.1 Generative Agents — Park et al., UIST 2023（arXiv:2304.03442）

解决了什么问题。第一次把"长期记忆"做成 LLM Agent 的一等组件。memory stream + recency × importance × relevance 三项加权检索，让 Agent 在几十天的模拟社会里保持行为连贯。它确立了"记忆 = 可检索的经验流"这一至今仍是默认的范式。

遗留了什么问题。三项打分全是手工启发式，且只描述"值不值得被取出"，不描述"值不值得被存进去"。memory stream 是纯追加的——没有写入闸门，也没有删除。它默认记录本身可信，因为在模拟社会里"观察"确实不会出错；一旦搬到真实任务（观察 = Agent 自己的执行结果），这个前提就崩了。

核心工作如何回应。核心工作直接把它列为 named baseline，并用 Add-all 把"纯追加"的代价钉死：四个 Agent 上全部为负，−16.2% 到 −22.1%。它保留了检索侧启发式（仍用余弦相似度 top-k），但在上游插入写入闸门 π、下游插入回收算子 φ。

关键设计的传递。recency 演化为 φ_per（窗口内检索次数 ≤ α 则删除）——从"旧的排后面"变成"冷的被清掉"，从软打分变成硬回收。

2.2 Voyager — Wang et al., 2023（arXiv:2305.16291 · TMLR）

解决了什么问题。技能库范式：把验证通过的可执行程序存库并复用。它是第一个把"写入闸门"做对了的系统——只有通过环境自验证的技能才被写入。

遗留了什么问题。这个闸门之所以完美，是因为 Minecraft 提供了免费、确定、零成本的验证器。绝大多数真实任务域没有这种东西：EHR 代码生成没有 oracle，驾驶轨迹没有即时真值。Voyager 因此把"如何在没有验证器的地方获得验证器"完整地留给了后人。

核心工作如何回应。核心工作正是在回答这个问题。C1/C2/C3/Strict 阶梯本质上是在问"当你只有近似验证器时你损失多少"。Strict（π_human）就是 Voyager 式完美验证器在通用任务上的理想化上界，C1–C3 是现实中能买到的替代品。核心工作的贡献可以完全重述为：给 Voyager 的自验证机制标了价。

关键设计的传递。"验证后写入"被抽象为一般化的指示函数 π(q, e)，并从二值的"能跑通/不能"松弛为"由一个可能出错的评估器给出"。

2.3 ExpeL — Zhao et al., AAAI 2024（arXiv:2308.10144）

解决了什么问题。把成功与失败轨迹都纳入经验池，并用 LLM 从跨任务对比中抽取自然语言 insight。它把经验从"可复用的解"升级为"可迁移的规则"，并第一个明确主张失败经验也有价值。

遗留了什么问题。insight 抽取是单向追加式的——会被 ADD / UPVOTE，但没有基于下游效果的回收；而"失败经验有价值"与"失败经验会被 experience-following 复现"之间存在直接张力。ExpeL 假设 LLM 能从失败中抽出正确教训；核心工作的 error-propagation 实验说明，当抽取本身不可靠时，被存下来的是错误本身而非教训。

核心工作如何回应。这是对抗性回应。图 4 显示 add-all 与 coarse 选择性添加都会"加剧 Agent 与无错误变体之间的性能差距"（p. 628）——把有瑕疵的执行存起来平均而言是有害的，除非评估器足够严格。它没有否认失败经验的价值，但把这个价值的实现条件量化了。

关键设计的传递。ExpeL 的 UPVOTE/DOWNVOTE 被替换成更硬的量 Φ(q_m, e_m)——该记录被检索后下游任务的实际得分，而非 LLM 的主观评价。这是从"自评"到"外部反馈"的关键一步。

2.4 Agent Workflow Memory — Wang et al., 2024（arXiv:2409.07429 · ACL 2025）

解决了什么问题。不存原始轨迹，而是从轨迹中归纳出可复用的 workflow，在 Mind2Web / WebArena 上显著改善泛化。它把记忆的粒度从"实例"提到了"抽象"。

遗留了什么问题。抽象不消除错误，只是把错误提升了级别——从若干次错误执行归纳出的 workflow 会被更多任务检索到，危害面更大。AWM 同样是加法式的：只增不减，也没有基于使用效果的淘汰。

核心工作如何回应。互补而非对抗。核心工作在 Limitations 中明确承认它略去了结构变换、合并、摘要与反思，即把 AWM 这一层排除在外。但 misaligned experience replay 恰好适用于 AWM：一个 workflow 可以完全正确却与当前任务错位，而这类记录只能靠下游效用（φ_hist）而非正确性检查（π）识别。核心工作提供了识别机制，这正是 AWM 缺的那一半。

关键设计的传递。"workflow 复用频次"被形式化为 fr_t(q_i, e_i)，成为两条删除规则共同的触发条件。

2.5 Memory-R1 — Yan et al., ACL 2026 主会长文（2026.acl-long.583, pp. 12805–12825）

解决了什么问题。论文自述"多数现有 pipeline 是静态、启发式驱动的，缺少一个决定存什么、更新什么、检索什么的学习机制"。用两个 agent——Memory Manager（学 ADD / UPDATE / DELETE / NOOP）与 Answer Agent——通过 PPO 与 GRPO 做结果驱动 RL 微调，仅 152 条训练 QA 即在 LoCoMo / MSC / LongMemEval 与 3B–14B 多个尺度上超越强基线。

遗留了什么问题。它把管理策略学出来了，但奖励来自问答正确性这一相对干净的信号；在没有可验证答案的开放任务（代码生成、驾驶）上，奖励从哪来仍是空白。而这正是核心工作 C1/C2/C3 阶梯所刻画的问题——RL 并不能凭空生产可靠的奖励，它只是把评估器的质量问题从写入闸门搬到了奖励函数里。

与核心工作的关系。二者同为 ACL 2026 主会长文，构成同一问题的两个切面：核心工作说"信号质量是瓶颈"，Memory-R1 说"策略形式是瓶颈"。二者从未在同一张表上对话——这是本届 ACL 留下的最显眼的实验空白。

关键设计的传递（反向）。Memory-R1 的四元操作集 {ADD, UPDATE, DELETE, NOOP} 与核心工作的 {π, φ} 是同一件事的两种写法：π 对应 ADD/NOOP，φ 对应 DELETE，唯独缺了 UPDATE。核心工作把 UPDATE 归入"结构变换/合并"并显式排除，而 Supersede 随后证明恰恰是 UPDATE 才是真正的失败模式：GPT-5.4 在 LongMemEval 知识更新子集上，从全上下文的 92% 掉到有界自维护记忆的 77%（p = 0.0033）。

3.1 演进树

3.2 演进的内在逻辑线索

推动这条线的不是"更好的检索器"，而是责任的逐级内移：

4.1 理论层面

1. 净收益零点的可预测性。把评估器建模为带假阳率 ε₊、假阴率 ε₋ 的噪声通道，在 experience-following 强度 ρ（输入相似—输出相似的回归斜率）给定的条件下，推导使 dPerf/dt > 0 的 (ε₊, ε₋, ρ) 可行域。目前连"零点是否只依赖 ε₊ 而与 ε₋ 无关"这样的一阶问题都没人回答——高价值、低门槛（一个可控合成环境 + 一个可注入噪声的评估器即可）。
2. 错误传播的复利率。图 4 只描述了差距"被加剧"，未给出增长的函数形式。在 RegAgent 上测量第 k 轮的期望放大因子 λ(k) = E[err_k]/E[err_{k−1}]，判定它是几何发散、次线性发散还是收敛到不动点。这个数字直接决定"多久必须做一次记忆体检"。
3. Φ 的信用分配偏差。φ_hist 用"被检索后下游任务的平均得分"作为记录价值，但 top-k 意味着每次任务由 k 条记录共同负责，均分是一个近似。用 Shapley 值或留一法计算真实边际贡献，量化均分近似带来的排序错误率。核心工作 top-k 从 1（AgentDriver）到 6（RegAgent）不等，恰好提供了检验"k 越大偏差越大"的天然梯度。

4.2 工程与应用层

4. 判决性实验：evaluator 质量 vs 策略学习，谁是瓶颈？核心工作与 Memory-R1 同为 ACL 2026 主会长文却互不引用、无共同基准。在核心工作的四个 Agent 上把 Memory-R1 的 RL 管理器接进来，做 {C1, C2, C3, Strict} × {手工规则, RL 策略} 的 4×2 矩阵：若 RL 策略在 C1 档就能追平手工规则在 C3 档的表现，说明"策略形式"是主瓶颈；否则说明"信号质量"是主瓶颈。判决"A 优于 B"缺乏 head-to-head 实验，这是下一步的关键空白，而不是一个"值得探索的新方向"。
5. 缺失的规模对照组。把 Add-all 的记忆库随机下采样到与 Strict 相同规模（4100 → 2938 等），跑同一套检索。这一组数据能一举判定"质量 vs 规模"的归因，成本极低（无需重跑 Agent，只需重跑检索与推理）。
6. α / β 的敏感性曲线。在 EHRAgent 上扫 β ∈ [0.2, 0.8]、α ∈ {0, 1, 2, 5}，画出"记忆规模—精度"的帕累托前沿。已知 Combined 能在 248 条记忆下拿到 42.34 ACC，问题是这个点是否在前沿上、前沿在哪里拐弯。
7. 把 UPDATE 加回来。Supersede 证明信息取代是有界记忆下的主要失败模式（GPT-5.4 92% → 77%，p=0.0033；对话规模扩大 24× 时 68% → 28%，且按比例扩大记忆预算无任何回补 28% → 28%）。在核心工作的框架里加入第三个算子 ψ（就地更新），构成 {π, ψ, φ} 三元组，检验"更新"能否在 RegAgent 这个删除会伤害性能的任务上提供第三条路。

4.3 新兴方向

8. 评估器的自举。C3 已是"用 300 条正确判别数据微调"的产物。既然 Φ 提供了下游效用的免费标注，就用 Φ 反过来给评估器提供训练信号，形成"评估器 → 记忆质量 → 下游效用 → 评估器"的闭环自举，并检验这个闭环是否稳定（它同样可能自我中毒）。这是把诊断变成自愈系统的最直接路径。
9. 可逆遗忘 / 分级冷存。Combined 在 RegAgent 上 −4.37 pp、在 EHRAgent 上 +3.67 pp——同一策略的代价高度依赖任务。把 φ 从"删除"松弛为"降级到冷层"（不参与 top-k 但可在检索失败时二次召回），检验 RegAgent 上的 −4.37 pp 是否可被回收。这直接针对"删除不可逆"这一设计假设。
10. 多智能体共享记忆下的传播动力学。experience-following 在单 Agent 内部已会复利放大错误；共享记忆的多 Agent 系统里（Collaborative Memory），一条坏记录会同时污染 N 个 Agent。把 error-propagation 实验搬到 N-agent 共享池上，测量污染传播速度是否随 N 线性增长，并检验访问控制能否充当分布式的 π。
11. 对抗视角。如果写入闸门是系统的关键控制点，它就是攻击面（Forged Reasoning Attacks）。把 C1/C2/C3 阶梯当作防御强度阶梯，测量每一档下攻击者需要注入多少比例的恶意记录才能把性能压到 Fixed 基线以下——这会给出一个可比较的"记忆系统鲁棒性预算"。

Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents（2026-06，arXiv）

把"retrieve-then-reason"的一次性检索改造成 Cue–Tag–Content 图上的迭代重构，让检索路径随推理中发现的中间证据动态调整；LoCoMo 上最高 +23%，同时 token 与耗时下降。它和核心工作是正交的两条改进轴（检索侧 vs 写入侧），值得放在一起读。
arXiv ｜ Code

Supersede: Diagnosing and Training the Memory-Update Gap in LLM Agents（2026-06，arXiv）

唯一一篇明确指出"扩大记忆预算不能修复更新失败"的工作（24× 对话规模下 28%→28%，n=25），也是本期少数报告了显著性水平（p=0.0033）的记忆论文。核心工作把 UPDATE 排除在外，这篇正好补上。
arXiv ｜ Code ｜ Model

Memory as a Controlled Process: Learned Adaptive Memory Management (MemCon)（2026-07，arXiv）

UCLA 等。把记忆操作形式化为 Memory MDP，用带 UCB 探索、warm-start 先验与反向折扣信用分配的表格式在线 bandit 学策略——不需要预训练、不需要额外 LLM 调用，且对后端完全无关。6 个基准 × 3 个框架上最高 +15.2 pt 并省 5–20% token。"轻量级学习式管理"路线里最工程友好的一份。
arXiv ｜ Code

Memory-R1（2026-07，ACL 2026 主会长文）

与核心工作同届。152 条训练 QA 即可让 3B–14B 模型学会 ADD/UPDATE/DELETE/NOOP 并超越启发式基线。建议与核心工作对照阅读，看两篇如何对同一现象给出不同归因。
ACL Anthology

CMI-Mem: Toward Generalizable Long-Term Memory Management via CMI-Augmented RL（2026-07，arXiv）

用条件互信息增强 RL 学记忆管理，方向上正对 §4.1 提出的"信号质量能否被信息论刻画"。注：本期仅核实标题与链接可达，未逐页精读，评价从简。
arXiv

Your Agent's Memories Are Not Its Own: Forged Reasoning Attacks on LLM Agent Memory and Defenses（2026-07，arXiv）

记忆安全方向。既然 experience-following 意味着 Agent 会忠实复现被检索的记录，记忆投毒的攻击效率理论上很高——这篇给出了攻击与防御。注：本期仅核实标题与链接，未精读。
arXiv

Collaborative Memory: Multi-User Memory Sharing with Dynamic Access Control（2025-05，arXiv）

多用户共享记忆下的动态访问控制。与核心工作的错误传播放在一起，构成 §4.3"污染传播动力学"问题的两块拼图。
arXiv

Memory in the Age of AI Agents: A Survey（arXiv 2512.13564）及配套 paper list

46 位作者的综述及其持续更新的论文列表，是目前这个方向最全的检索入口。
Paper List

未找到 / 未核实的项已在表中明确标注。核心工作的官方代码仓库在本次检索中未能定位——ACL Anthology 页面与 arXiv 摘要页均未给出链接，因此表 1 / 表 2 之外的实现细节（如 α、β、n 的具体取值）无法独立核实。