这项由Meta AI辩论团队完成的辩论，以预印本神志于2026年7月9日发布在arXiv平台，论文编号为arXiv:2507.08716v1，感深嗜的读者可通过该编号查询完好原文。

你有莫得碰到过这么的东谈主：他明明上周亲目击过某件事，但这周作念决定时，却皆备忘了把那件事接洽进去？这不是哀吊力差，而是一种更高明的征象——信息明明还在脑子里，就是没在关键技巧"跳出来"阐扬作用。当今，这种让东谈主头疼的问题，在AI助手身上相通存在，而且跟着任务越来越复杂、对话越来越长，这个问题变得愈发严重。

Meta AI的辩论东谈主员把这种征象称为"活动气象衰减"（behavioral state decay）。说东谈主话就是：AI还是"知谈"某件事了，但在确切需要用到它的那一刻，那条信息就好像睡着了，没能影响AI的下一走路动。这篇论文恰是为了处分这个问题而生，他们忽视了一套叫作念"主动哀吊智能体"（Proactive Memory Agent）的机制，让AI不仅能记着事情，还能在妥贴的时机主动把哀吊"叫醒"并注入决策历程。

一、AI为什么会"好了伤痕忘了疼"

要通晓这项辩论处分的是什么问题，可以想象你正在用AI助手完成一项复杂任务——比如让它帮你在一台工作器上调试一段代码，系数历程需要几十步操作，来来去回运行敕令、查验报错、修改文献。任务运转时，你告诉AI："记着，这台机器上不可用sudo权限。"AI点头答允，络续责任。可是二十步之后，它正堕入一个毒手的bug，脑子里全是目下的报错信息，而那条"不可用sudo"的不停，就这么暗暗地从它的"责任哀吊"里淡出了——于是它尝试了一条带sudo的敕令，任务失败。

更晦气的是，这种淡忘不仅发生在职务不停上，还发生在"还是试过的弯路"上。AI明明刚刚试过某个决议并失败了，但过了十几步之后，它可能又把相通的决议再试一遍，因为那次失败还是被埋在了越来越长的对话记载里，不再能有用地影响当前的判断。

辩论东谈主员指出，这个问题的实质不是信息丢失，而是信息失效。那些关键信息可能仍然存在于对话历史里，以致仍在AI的凹凸文窗口内，但它们就是莫得在需要的时候"起作用"。正如辩论团队援用的一个发现：谈话模子对于处于凹凸文中间位置的信息，往往期骗得最差——信息在那里放着，和信息在作念决策时有莫得被确切接洽，是两回事。

这一细察引出了系数辩论的中枢命题：对于长周期任务中的AI来说，哀吊不单是一个"存取"问题，更是一个"侵犯时机"问题。

二、一个"专职哀吊官"的出身

Meta AI团队给出的处分决议，是在原有的AI助手（他们称之为"活动智能体"）附近，额外安排一个专职的"哀吊智能体"（Memory Agent）。这两个变装的单干相当廓清：活动智能体郑重作念事，一步一风光与环境交互、践诺敕令、作念决策；哀吊智能体则像一个随时待命的照顾，全程不雅察任务进展，真贵一份结构化的"践诺气象档案"，并在关键技巧决定要不要给活动智能体递一张"领导条"。

这种设计的精妙之处在于，活动智能体皆备不需要编削——它仍然是底本阿谁AI，用底本的方式责任。哀吊智能体是一个皆备孤苦的模块，像一个影子一样并走运作，在必要时才动手。辩论东谈主员把这种架构刻画为"即插即用"的，深嗜是你可以把它接在职何现存的AI系统上，不需要再行西宾阿谁AI本人。

那么哀吊智能体具体作念什么呢？它的责任分为两个阶段，每隔固定的步数就轮回践诺一次。

第一阶段叫作念"哀吊库经管"。哀吊智能体会看一看最近发生了什么（它有一个滑动窗口，不雅察最近几许条交互记载），然后决定要不要更新我方真贵的那份档案。这份档案结构化地分为三个部分：第一部分是"气象"，这是哀吊智能体我方对任务进展的私东谈主评估，包括还有什么问题没处分、有什么风险尚未摒除，这部天职容对活动智能体皆备守秘；第二部分是"常识库"，记载的是相对褂讪的事实性信息，比如任务要求、环境参数、文献旅途、器具截至等，也就是对于"宇宙是什么样的"这类信息；第三部分是"程序库"，记载的是尝试过的操作和它们的结尾，比如哪条敕令失败了、哪个建立决议生效了、撤废了哪些假定，也就是对于"作念过什么、发生了什么"这类信息。哀吊智能体通过调用预界说的器具函数来更新这份档案，动作包括更新气象、保存常识条目、保存程序条目、删除过时条目，而不是唐突改写，这让哀吊的真贵历程保执结构化和可回首。

第二阶段叫作念"侵犯决策"。在更新完档案之后，哀吊智能体要作念一个判断：当今这个技巧，有莫得哪条被记载的践诺气象，值得主动领导活动智能体防卫？如果有，就生成一条简易的"领导"，注入活动智能体的下一次决策凹凸文里；如果莫得，就保执千里默。"保执千里默"是一个明确的、主动的遴荐，而不是默许气象。辩论东谈主员相当强调这小数：过度侵犯和侵犯不足一样无益。每一步都谈辞如云地领导，会溜达AI的防卫力，拖慢程度，增多无效的野心支拨；而在确切需要的技巧保执千里默，则可能导致任务失败。

值得极度讲解的是，哀吊智能体被明确要求只作念"哀吊驱动的领导"，而不是平方的策略建议。它不可说"你的举座场系数问题，应该换一种念念路"，它只可说"笔据我的记载，你上周——哦不，上三十步——尝试过这个决议，失败了，原因是某某"或者"笔据任务要求，你行将作念的这个操作可能违背了一条你早些时候证据过的不停"。这个截至让它的输出更精确、更可靠，也更难被误用。

三、在两个确切战场上的历练

辩论团队在两个迥然相异的长周期任务基准上测试了这套架构，分裂是Terminal-Bench 2.0和τ?-Bench。

Terminal-Bench 2.0查考的是AI在确切敕令行环境中的自主操作才气。AI需要查验文献、运行敕令、裁剪代码、调试失误，最终通过一个覆盖的考证器测试。这类任务之是以锤真金不怕火哀吊，是因为它们通常需要几十步迭代调试，早期发现的问题、失败的尝试、还是证据的环境特征，都需要在系数历程中执续阐扬不停作用。测试集包含89个任务，其中85个得到了有用评测结尾（另外4个是与AI活动无关的容器故障）。

τ?-Bench查考的则是AI在多轮对话中与用户勾搭完成器具使用任务的才气。测试场景来自现实宇宙的工作界限，包括航空、零卖和电信三个行业，共278个任务。这类任务的哀吊挑战来自不同场所：蹙迫信息可能出当今用户的某一句话里、器具调用的输出里、或者界限策略文献的某个条件里，而AI需要在对话进行到很晚的时候，仍然能把这些信息用于正确的决策。

实验陶冶中，活动智能体有两个线索：Claude Sonnet 4.5（较弱）和Claude Opus 4.6（较强）。哀吊智能体在主要实验中统一使用Claude Opus 4.6。基准情况是皆备不使用哀吊智能体；对比情况是加上哀吊智能体。评估倡导是pass@1，即一次性完成任务的比率。

结尾相当廓清。在Terminal-Bench上，加入哀吊智能体后，较弱的Sonnet 4.5从37.6%一跃至45.9%，擢升了8.3个百分点；即即是本已更强的Opus 4.6，也从43.5%擢升到45.9%，擢升了2.4个百分点。在τ?-Bench上，Sonnet 4.5的任务加权平均通过率从55.0%擢升到61.8%，擢升6.8个百分点，其中航空界限擢升了10.0个百分点，零卖界限擢升了9.6个百分点，电信界限擢升了2.6个百分点；Opus 4.6的任务加权平均通过率从66.2%擢升到68.7%，擢升2.5个百分点。

有一个细节颇为讲解问题：增益对较弱的活动智能体更大，但对较强的活动智能体并莫得散失。这意味着哀吊智能体的价值不单是是"弥补弱AI的短板"，而是对任何AI都有实质性匡助。哀吊问题是宽敞的，不是才气弱才有的。

四、到底是哪个要害起了作用？隔断来看

为了弄明晰究竟是两阶段设计的哪个部分阐扬了关键作用，辩论团队作念了一系列"拆解实验"，每次去掉一个组件，不雅察效率变化。

第一种对比是"全库流露"变体：保留第一阶段的哀吊库经管，但取消第二阶段的遴荐性侵犯，改为每一步都把系数哀吊库的内容流露给活动智能体。这终点于把哀吊从"有判断的领导"退化成"被迫的凹凸文补充"。结尾自满，这个变体照实比基准好，但比完好的两阶段设计差了2.8个宏不雅平均百分点。这讲解光有哀吊库还不够，决定"当今该说什么"相通蹙迫。

第二种对比是"永恒注入"变体：保留哀吊库和第二阶段的领导生成，但取消"保执千里默"的选项，强制每步都注入一条领导。结尾在职务加权微不雅平均上略高于完好设计（差距在统计舛误范围内），但在宏不雅平均（各界限等权）上逾期于完好设计，尤其是在航空界限阐扬更弱。这讲解"该千里默时千里默"不单是效率优化，它对任务生效本人也有影响，极度是在不同类型任务之间的泛化才气上。

第三种对比是"纯咨询人"变体：取消第一阶段的哀吊库，只保留一个不雅察轨迹并提供天然谈话建议的接济模子。这访佛于学界所说的"咨询人模子"或"副驾驶模子"——有一个额外的AI在附近给建议，但它莫得系统化的哀吊，无法把建议锚定在执久性的践诺气象上。结尾自满，这个变体在电信界限有可以的擢升，但在航空界限以致相对于基准有所零落，举座褂讪性较差。莫得执久哀吊库支执的建议，更容易出现误判。

第四种对比是引入Mem0，这是一个无为使用的分娩级哀吊层器具。Mem0通过向量搜索和关键词搜索检索最相干的哀吊条目，并复返给活动智能体。结尾自满，Mem0照实能擢升平中分，但它没能改善航空界限的阐扬（以致与基准执平），在宏不雅平均上也不足完好的两阶段设计。这个对比揭示了一个蹙迫判袂：从哀吊库里检索出相干条目，和决定"这条哀吊当今是否应该侵犯下一步决策"，是两个不同的问题。Mem0擅长前者，但莫得显式地处理后者。

这些对比共同指向归并个论断：执久结构化哀吊库加上遴荐性侵犯决策，不可偏废。任何单独的一半，效率都不如完好的组合褂讪。

五、哀吊在实战中的五种样貌

辩论团队还久了分析了具体的轨迹记载，试图通晓哀吊侵犯到底在什么情况下确切改变了活动智能体的决策。他们归纳出五种反复出现的模式。

第一种是"要求与策略的重激活"。在τ?-Bench的航空任务中，有一个案例：用户宣称我方是黄金会员，应当享受特定抵偿。但器具查询的结尾自满该用户执行上是普通会员。未加哀吊的基准系统按照用户的声明行事，作念出了失误的抵偿决定；加了哀吊智能体的系统，则在决策关隘收到一条领导——"笔据记载，器具考证的用户品级为普通会员，请以器具记载为准"——从而作念出了正确判断。

第二种是"环境事实的接地气锚定"。在Terminal-Bench的某些任务中，系统的某个特殊截至（比如某类文献不支执告成写入、某个敕令在这个环境里的参数用法与通常不同）是早期发现的，但跟着调试久了，很容易被淡忘。哀吊智能体将这些环境特征记载下来，并在相干操作行将践诺时实时领导。

第三种是"失败轮回的阻断"。AI堕入反复尝试归并条路、反复碰壁的死轮回，这在长周期调试任务中并不荒漠。哀吊智能体记载了"这条路尝试过X次，每次的失败原因是Y"，并在AI又要老生常谈时发出劝诫，推动它去探索新的场所。

第四种是"会诊论断的延续"。无意候AI在早期阶段还是正确地会诊出了问题的根柢原因，但跟着对话进行，这个会诊论断冉冉失去影响力，AI运转把相通的症状作为新问题处理。哀吊智能体将会诊论断保存下来，并在疏导模式再次出当前将其带回决策台面。

第五种是"程度与实体气象的追踪"。在多轮对话任务中，AI需要追踪"当前正在处理的是哪个用户的哪条工作线、哪个订单处于什么气象"。这类气象信息琐碎但关键，一朝搞混就会导致对失误对象践诺操作。哀吊智能体将这些实体气象真贵在常识库中，在关键操作前证据。

辩论团队也坦诚地指出了哀吊侵犯的失败案例：无意候哀吊智能体把一个尚不细目的预计说得太笃定，无意候它领导了活动智能体还是明确知谈的事情（形成冗余噪声），无意候它忽视了一个合理但其实不消要的牵记，导致活动智能体作念了额外的考证要害。这些失败主如若校准问题，也就是"应该千里默时开了口"，而不是哀吊本人储存了失误信息。

六、让哀吊才气"遗传"给更小的AI

目前系数系统的哀吊智能体用的是Claude Opus 4.6这个顶级闭源模子。这在执行部署中有一个显著的局限：每次哀吊智能体责任都需要调用一次斯文的前沿模子API，老本和延伸都不小。辩论团队因此尝试了一个更有诡计的场所：能不可把哀吊侵犯这种才气，通过西宾调动到一个范畴更小的开源模子上？

他们遴荐了Qwen3.5-27B作为西宾对象，活动智能体则固定使用Qwen3.5-122B-A10B。西宾数据来自SETA，这是一个包含可践诺末端任务和考证器奖励的数据集。Terminal-Bench 2.0被皆备留作迁徙测试集，不参与西宾。

西宾分两步走。第一步是监督微调（SFT）：用Opus哀吊智能体生成的轨迹作为示范，教27B模子学会两阶段的操作接口——若何写哀吊条目，若何作念侵犯决策，什么时候该保执千里默。这一步主要教的是"限定"：阵势紧凑、实时更新过时记载、不消要时不要乱发领导。第二步是强化学习（GRPO）：用任务考证器的奖励信号来优化侵犯校准，中枢念念路是聚焦在"要害技巧"——那些如果作念出不同决策可能改变任务结尾的关键要害。

结尾自满，未经西宾的27B模子担任哀吊智能体时，反而会拉低任务生效率（SETA平均奖励从0.709降至0.693）。经过SFT之后，倡导收复并卓越了无哀吊的基准（0.720）。再经过GRPO强化学习，倡导进一步擢升到0.734。在Terminal-Bench的迁徙测试上，经过西宾的27B哀吊智能体将冻结的活动智能体通过率从37.6%擢升到41.1%，擢升了3.5个百分点。

这个结尾天然莫得达到Opus哀吊智能体的效率（Opus版块在同等成就下擢升了约8.3个百分点），但它解说了一件蹙迫的事：哀吊侵犯这种才气不是只须顶级大模子才能领有的天禀，它是可以通过西宾学会的手段，而且这种手段具备跨数据集的迁徙才气。辩论东谈主员坦承这目前只是初步探索，完好的西宾-迁徙辩论还有很长的路要走。

归根结底，这项辩论告诉咱们一件在AI界限里容易被忽视的事：让AI"记着"某件事，和让AI"在该用上这件事的时候照实用上它"，是两个皆备不同的挑战。前者是哀吊的存储问题，后者是哀吊的侵犯时机问题。现存的多数哀吊系统都遵循于处分前者，而这篇论文把防卫力放在了后者。

这套架构目前仍有一些无庸赘述的局限——它在固定时分间隔触发哀吊智能体，而不是笔据任务气象动态判断何时需要哀吊；它的活动智能体和哀吊智能体是分开西宾的，莫得相连优化；它的领导是逐字生成的谈话，而不一定是对当前任务最适当的轮廓神志。辩论团队在文末明确忽视，这三个场所都是值得久了探索的改日旅途。

对于普通东谈主来说，这项辩论的意旨可能没那么告成，但下一次当你使用某个AI助手处理复杂任务时，如果它在几十步之后仍然谨记你一运转忽视的阿谁不停，况且在你将近踩坑时轻轻领导了你一句，那背后的机制说不定就与这篇论文关连。感深嗜的读者可以通过论文编号arXiv:2507.08716在arXiv平台查阅完好辩论。

Q&A

Q1：什么是"活动气象衰减"，它为什么会影响AI完成任务？

A：活动气象衰减指的是AI在践诺长周期任务时，早期取得的关键信息（如任务不停、失败记载、环境特征）天然仍存在于对话历史中，但跟着任务激动冉冉失去对决策的执行影响力。这不是信息丢失，而是信息失效——AI知谈那件事，但在该用到它的时候没能让它起作用，从而导致相通犯错或违背已知不停。

Q2：主动哀吊智能体和普通的哀吊系统有什么实质区别？

A：普通哀吊系统（如Mem0）关爱的是把信息存进去、再按需检索出来，处分的是"存取"问题。主动哀吊智能体在此基础上增多了一个关键决策：判断当前技巧有莫得哪条哀吊值得主动注入AI的决策凹凸文，也就是处分"侵犯时机"问题。实验对比自满，单纯的检索系统不如加入遴荐性侵犯判断的完好设计褂讪，二者处理的是不同层面的问题。

Q3：用更小的开源模子能否替代顶级AI模子来担任哀吊智能体？

A：有可能，但需要有利西宾。未经西宾告成使用小模子（Qwen3.5-27B）担任哀吊智能体反而会镌汰任务生效率。经过监督微调和强化学习西宾后，这个27B模子粗略将任务通过率擢升约3.5个百分点，并具备跨数据集的迁徙才气体育游戏app平台，尽管效率尚不足顶级闭源模子的8.3个百分点。这讲解哀吊侵犯才气是可以通过西宾习得的手段。