任务做长了，AI 会不会悄悄忘记该守的规矩

论文给这个失败模式起了个名字，叫 behavioral state decay（行为状态衰退）。信息并没有丢，还躺在记录里，只是不再起作用。

一个长任务会不断产生新东西：任务要求、环境事实、之前试过什么、诊断出的毛病、还没做完的子目标。随着轨迹越拉越长，这些信息要么被挤出模型能看到的上下文窗口，要么虽然还留在窗口里，却不再真正左右它下一步怎么做。论文把这类「应该继续约束未来动作」的信息统称为 execution state（执行状态）。

下面这条时间线，演示了一条早先记下的要求，怎么一步步从「鲜活」褪成「还在记录里，却不再左右下一步」：

时间线可左右横滑，翻到最后看结局 →

信息一路都在，只是不再左右下一步。论文说，这和长上下文里的「lost in the middle」（信息夹在中间就被忽视）现象有关，但更强调的是行为层面的失效。

论文举的三种典型翻车

论文由此提出一个判断：光是把更长的历史记录喂给模型是不够的。真正缺的，是一套机制去决定「这条被记住的信息，现在该不该重新拿出来影响决策」。

旁边站一个记忆管家，不干活只管「该不该提醒」

这是论文的第一个核心。做法是：干活的执行智能体一个字都不改，旁边另外跑一个记忆代理。它每隔固定步数被唤醒一次，先整理一份结构化的记忆库，再决定要不要在执行智能体的下一步里插一句提醒。

流程图可左右横滑 →

论文还特别把这套记忆代理和「顾问型」方案（advisor，一个模型当军师，给干活模型出各种主意）划清了界限：记忆代理不出宽泛的战略建议，它开口的每一句，都必须落在维护好的执行状态上，是某条具体的要求、事实、失败或诊断。

图 1(a)｜系统集成：左侧执行智能体与环境交互，右侧记忆代理并行运行，观察最近若干步的滑动窗口和当前记忆库；每隔 N 步被唤醒一次，更新记忆库并可选地向下一次调用注入提醒。来源：arXiv:2607.08716 论文原图。

图 1(b)｜记忆代理内部：Phase 1 通过工具调用管理记忆库（status / knowledge / procedural 三类），Phase 2 读取更新后的记忆库，要么发出一条 context_for_action 提醒，要么选择 no_intervention（不干预）。来源：arXiv:2607.08716 论文原图。

主实验里，触发方式是最简单的：记忆代理在第一步和之后的每一步都被唤醒，每次观察最近 8 条消息的窗口。论文提到也可以改成更挑时机的触发（比如只在报错、测试失败、命令重复后才唤醒），但这次用固定节奏，是为了单独看清「提醒策略」本身的效果。

加了记忆代理，分数涨了多少

论文在两个长任务考场上做了测试：Terminal-Bench 2.0（自主操作命令行，改代码、跑命令、修 bug）和 τ²-Bench（多轮对话式工具调用，模拟航空、零售、电信三个真实服务场景）。评分口径是 pass@1只让 AI 跑一次任务，看这一次能不能做对的成功率，不是跑好几次挑最好的那次算数。。

两点值得留意。第一，弱模型涨得多，强模型也没白涨：Opus 4.6 已经很强，加了记忆代理在两个考场分别还能再涨 2.4 和 2.5 个百分点，说明这套做法不只是在替弱模型补能力。第二，不同场景差别明显，符合论文把记忆当成「随场景调整的干预策略」而非固定套路的定位。

记性好不如懂得该闭嘴

这是论文的第二个核心。为了搞清楚到底是哪一步在起作用，团队做了 消融实验把系统里的某个部件拆掉或换成简化版，看少了这部分之后成绩掉多少，用来证明这部分到底有没有用、有多大用。：把完整方案拆成五种打法，在 τ²-Bench 上逐一对比。结论指向一件事，真正起作用的不是「记住了多少」，而是「会不会判断该不该开口」。

五种打法分别是：完整两阶段方案（自己选沉默）、把记忆库全量展示给执行智能体、强制每一步都提醒、没有记忆库只当顾问给建议、接一个通用记忆检索层 Mem0。下面这张图看最能说明问题的 airline 场景，注意橙红那一档，比不加记忆代理还差：

灰条为 Sonnet 基线（68.0%）。橙红条（顾问式建议）掉到 62.0%，比不加记忆代理还差；Mem0 打平基线，没能改善 airline。

为什么 airline 场景差距最大：这类任务最怕被过度提醒打扰，一句多余的提醒就可能把执行智能体带偏。只有会主动选择闭嘴的完整方案，才在这里拿到最高分。反过来，只会不停出主意的顾问式建议，和只会检索记忆的 Mem0，都栽在这里。

把三个场景平均起来看（macro 表示三个场景等权平均，micro 表示按任务数加权），完整方案 macro 总分最高，三个场景全部改善，airline 涨幅最大。有一个细节：强制每步提醒在 micro 上略高 0.3 分，但这落在正常波动范围内，一到场景等权的 macro 上，会选沉默的完整方案就重新领先，差距主要来自 airline。

论文的总结是：光维护记忆库有帮助但不够；没有记忆库的顾问式建议缺少落脚点、不稳；每步硬提醒虽有竞争力但不均衡。完整方案最好，正是因为它把「维护好的执行状态」和「一套会挑该说什么、也会选择闭嘴的干预策略」结合在了一起。

记忆代理具体在哪一刻插了嘴

论文人工查看了带记忆的运行轨迹，发现记忆起作用的方式并非泛泛总结，它的高光时刻，是执行智能体正要忽略某条关键信息的那一瞬间，把它重新激活。下面是三个真实案例。

把这些时刻放到整条轨迹上看，就是招牌那张图的样子：大多数步都是空心圆（保持沉默），只有少数几个节点亮起来（插入提醒），点亮的地方旁边标着它到底说了什么。

论文也如实说了剩下的失败情况：主要是校准没做好，比如记忆代理偶尔会把一个只是推测的结论说得太笃定、复述执行智能体本来就知道的东西、或者提出一个看似合理但没必要的担忧，害得它多做一遍核查。这些恰恰是下一步要训练它「更懂得何时沉默」的动机。

把这套判断力教给一个开源小模型

主实验里的记忆代理用的是 Claude Opus 4.6，每个记忆步都要多调一次这种前沿闭源模型，成本不低。团队于是做了一次早期尝试：能不能把同样的判断力，训练进一个开源小模型 Qwen3.5-27B，让它来当记忆代理，动作模型换成冻结的 Qwen3.5-122B-A10B。

训练用的是 SETA（一批带评分器的命令行任务集），Terminal-Bench 2.0 留作最后测迁移。方法分两步：SFT监督微调，拿标准答案手把手教模型照着做。这里是拿 Opus 记忆代理跑出的轨迹当范本，教会小模型记忆库操作和沉默/提醒的接口。 先把接口和基本规矩教会，再用 GRPO一种强化学习方法，让模型自己多次尝试、按结果好坏调整策略，进一步优化「什么时候该开口、什么时候该闭嘴」的判断，而不只是模仿范本。 强化学习去校准「该不该开口」的判断。

结论是：这套记忆策略是能被学会的，但确实需要校准，直接拿没训练的小模型上反而添乱。同时也得看清差距：训练后小模型带来的迁移增益是 3.5 个百分点，明显小于用 Opus 4.6 当记忆代理时的 8.3 个百分点。论文把这一段定位为「早期探索」，证明这条路走得通，而不是说它已经追平了前沿闭源版本。

如果想自己试，要留意什么

有两件容易被忽略的事，这里一次说清。

第一，论文说开源，但仓库是空的。论文正文写着代码地址 github.com/yifannnwu/proactive-memory-agent，但这个仓库经 GitHub 核实是空仓库：size 为 0，2026 年 6 月 12 日创建之后，从未推送过任何代码，没有 README，也没有描述。截至 2026 年 7 月 13 日，代码实际尚未开源。想直接照着跑，目前没有可用的实现。

第二，效果最好的那版记忆代理，成本口径论文没给数字。主实验里验证效果最好的记忆代理是 Claude Opus 4.6，属于前沿闭源模型，而且实际上是第一步加之后的每一步都被调用，比方法节里说的「固定间隔」要更密集。论文自己也承认这不是最实用的部署形态，训练开源小模型正是为了省掉这笔开销。但论文没有报告记忆代理带来的额外 token 消耗和延迟的具体数字，落地时这笔账要自己算。

论文同时也说了它的适用面：这套「旁挂一个独立记忆代理决定要不要提醒」的架构，不需要改动主执行模型，可以接进现有的智能体工作流程。对搭建长任务 AI 智能体的团队来说，比如自动化命令行操作、多轮工具调用的客服或业务流程，这是一个可以直接叠加的模块。

Meta 的解法是：干活的 AI 一个字都不改，旁边另跑一个「记忆管家」。它定时整理一份记忆清单，再决定要不要在下一步插一句提醒。更反直觉的发现是，真正管用的不是「记得多」，而是「懂得该不该开口」：让它自己选择闭嘴的版本，比把记忆全摊出来、或强制每步都提醒，成绩都更稳。

这句提醒用完就走，不改动干活的 AI 本身。那这个「记忆管家」到底怎么运转？看下面这张图。

记忆管家（这里由小互出演）每隔固定步数被叫醒一次，做两件事：先更新一份分三类的记忆清单（任务要求、环境事实、试过什么），再做一个二选一，插一句提醒，或者明确保持沉默。下图用一个真实场景走一遍：航空客服任务里，用户自称金卡，系统记录却是普通会员。

「正确率提高 8.3 个百分点」听着没体感，换成具体任务：把 100 道命令行长任务交给较便宜的 Claude Sonnet 4.5，它自己做对约 38 道；旁边加上记忆管家，做对约 46 道，多做对的这几道，正好让它追平贵一档的 Claude Opus 4.6（自己做约 44 道）。