智能体记忆需要“按模型剂量”校准：IBM 研究显示三种模式

研究结论

IBM Research 于 2026 年 8 月 18 日发布文章，讨论在智能体中注入多少“记忆”才合适。这里的记忆是指从智能体自身历史轨迹中蒸馏出的行为指南（有效策略、需避免的错误、边界情况），并非重放旧对话；整个学习过程不更新模型权重，只改变推理时可用的指导内容。

实验在 AppWorld 上进行，共 585 个多步任务（168 个 test_normal、417 个 test_challenge），覆盖 9 个模拟应用。指南只从训练集挖掘，在测试集上对比三种配置：无记忆基线、每一步都注入全部指南、固定高置信度核心加按任务检索的少量指南。

三种模式

• 强模型且仍有提升空间：适合全量指南。DeepSeek-V3.2 的任务完成率（TGC）从 79.8% 升至 89.3%，场景完成率（SGC）从 64.3% 升至 80.4%。
• 较弱模型：需要紧凑核心加按任务检索。gpt-oss-120b 的 TGC 从 39.9% 升至 56.0%（+16.1 个百分点），SGC 也从 21.4% 升至 37.5%。
• 已饱和模型：GLM-5 在两种配置下 TGC 与 SGC 均无变化，文章称此现象为“饱和”，但未证明具体成因。

成本观察

指南每一步都会重新发送，全量注入会抬高输入 token：DeepSeek-V3.2 每任务从 148K 增至 263K（+78%），gpt-oss-120b 全量从 110K 增至 166K（+51%）；而 gpt-oss-120b 用检索方案仅从 110K 增至 116K（+5%），同时取得上述精度提升。DeepSeek 的 ReAct 步数基本不变（约 18 至 19 步），增加的成本来自输入膨胀，而非轨迹变长。文章建议通过提示缓存稳定共享前缀来降低实际开销。

边界与后续

哪些因素决定模型落入哪种模式仍不清楚，参数量并非唯一因素，上下文窗口大小等影响尚未做隔离实验。当前检索按余弦相似度排序，作者认为其不能完全预测哪些指南对任务有帮助，下一步是训练基于结果信号的选择器；此外还需研究能力很低的模型（自蒸馏缺乏信号）以及 AppWorld 之外的基准。上述结果均仅在该单一基准上验证。