智能体记忆不再堆原文：把观察蒸馏成带证据的断言，LongMemEval 前十里证据命中 99.8%
核心概要
VarOps 为跨组织工作的 AI 智能体构建了一套记忆系统，把每条观察蒸馏成带陈述者、有效期和原文证据跨度的断言，而不是保留原始对话片段。在 500 题长对话公开基准 LongMemEval 上，这种有损蒸馏仍让正确证据进入前十结果的比例达到 99.8%；摄入约 3500 万 token 花费 8.24 美元，在两颗 CPU 上完成，未用 GPU。系统还让时间与“查无此项”显式化，并在调用模型之前按身份完成权限判定。
深度剖析
智能体记忆的构建单位从原始对话片段改为断言：每条断言记录谁说了什么、何时为真、持续多久，以及哪段原文可以作证，其余内容被有意丢弃。 常见做法是把全部记录保留、嵌入，再把最相近的片段塞进提示词，指望模型自行补齐片段之间的空白。 在 LongMemEval 这个覆盖长聊天历史的 500 题公开基准上，正确证据仍进入前十结果的比例为 99.8%。
记忆写入被收束到单一入口，入口可以拒收不合格的提交，而不是先索引再补救。 普通存储会把收到的内容全部索引，错误数据同样进入检索池。 一次基准运行中，一个转换缺陷开始输出人类可读日期而非机器可读时间戳，入口隔离了 5732 条提交，接受零条。
时间与缺失被显式表达：新事实取代旧事实但两者都留在记录上并带日期，每个问题都归结为已回答、已检索但无结果、或超出系统所知三种状态之一。 追加加检索的做法里，同一事实的旧片段与新片段只是两个片段，排序更高者胜出，检索为空时模型也分不清“没找到”和“不追踪”。 同一系统、同一数据，仅指示不得说信息缺失时，总分从 88.0 变为 87.2，但 30 次诚实拒答变成了 30 个编造答案；只按可回答问题计分时同样答案读作 92.8。
权限在模型运行之前判定：先确定身份，再按该身份的授权检索，最后才调用模型，披露级别在事实写入时确定而非读取时删改。 常见做法要么所有人共享一个上下文，要么在提示词里告诉模型不许说什么，后者等于让模型自己执行策略。 报告中一个财务读者查到营收数字 2,140,000，同一主题下销售读者只得到 2.0M 至 2.5M 的区间和“上升”趋势，其证据中不含精确值的任何字节；跨五对隔离记忆存储的对抗探测中，45 次攻击全部被拒绝或限制。
启示与展望
演示范围是跨组织的智能体记忆：三个公开基准、一个测试框架，以及公开的报告与逐题结果。作者表示下一步会把反复出现的形状整理成标准流程，再做成窄用途智能体或普通代码。
蒸馏被明确描述为有损的；用 Gemma 4 重建记录时答案质量移动一到两分，说明提取器选择会影响结果。作者也指出，只按可回答问题计分会让同一批答案读起来更高。