论文链接：

• Seeing, Maintaining, and Learning: The Evolution of Multimodal Agent Memory (arXiv:2610.19366)
• Cortex: Consolidating Context into Parametric Memory (arXiv:2610.20399)
• Reliable Memory from Unstable Growth: Curating Self-Written Agent Playbooks with Randomized Experiments (arXiv:2610.18427) 代码仓库：Cortex 官方实现（github.com/zjunlp/cortex）；RBC 代码见论文匿名仓库（anonymous.4open.science/r/rbc） 发表时间：均为 2026 年 10 月 机构：Survey 为 Rutgers/Notre Dame/Fudan 等 30 余机构的超大合作（含 NVIDIA、Meta、字节相关研究者）；Cortex 为浙江大学 + 字节跳动 Seed + 清华（学生一作在字节实习完成）；RBC 为南洋理工大学 + VinUniversity 领域标签：cs.AI / cs.CL / cs.LG；多模态记忆 / 知识编辑 / Agent 自进化

合读导引：为什么把这三篇放在一起读

如果让一个 Agent 『把经验记住』，这句话至少拆成三个问题：存什么（经验以什么形态变成记忆）、怎么固化（上下文里获得的增益如何持久化进模型参数）、怎么筛选（写下来的记忆哪些真的有用、哪些在帮倒忙）。这三篇论文恰好一人一环：

读完你会发现一条暗线：记忆的价值不能靠『写的人自己说了算』，要靠可度量的因果证据——RBC 用随机实验度量经验块的价值，Cortex 用 CR/RR 配对度量固化质量，Survey 则在评估一章指出端到端分数无法归因记忆环节。三篇论文从不同角度收敛到『度量先于信任』这一原则。

本精读按惯用的九部分结构组织，但由于是三篇合读，各部分内部均按论文分小节并做横向对照：第一部分交代共同背景，第二部分分别定位三篇在各自脉络中的位置，第三部分并列三个问题定义并分析其内在关联，第四部分逐一拆解三个解法，第五部分梳理三套实验证据链，第六部分从第一性原理交叉验证效果根源，第七、八部分反推知识与提炼普适灵感，最后加评横向启示与局限。

读者若只关心其中一篇，可按小节标题跳转；若关心三篇的关系，优先读导引表、3.4 节与加评。

一、论文背景：Agent 记忆为什么突然变得重要

1.1 从『上下文窗口够大』的幻觉说起

初学者常以为：大模型上下文窗口到百万 token，记忆问题就消失了。但三篇论文从三个角度击破了这个幻觉：

• 上下文不是记忆。Survey 明确定义：agent 记忆是『经验派生的、在形成它的那一步之后仍然持续存在、并影响后续推理/规划/行动的状态』。一次性的 prompt、一_pass 的思维链、用完即弃的激活都不算。上下文是『当前暴露给模型的信息』，记忆是『决定哪些信息能存活、如何组织、何时重新进入上下文的机制』。
• 上下文增益会随上下文一起消失。Cortex 的出发点：给模型一份 API 文档，它能正确调用；撤掉文档，增益归零。作者称之为 memory failure（对照 capability failure：给了上下文也不行）。参数不更新，经验就只是『租用』而非『拥有』。
• 写下来的经验可能是毒药。RBC 的核心发现：同一个 ACE 流程、同一批训练任务，只换任务顺序，写出的 playbook（经验手册）可能让成功率高出无手册 20 多分，也可能低 69.6 分。而 agent 自己给经验打的标签几乎不区分好坏（秩相关仅 0.21）。

1.2 三条研究脉络的现状

多模态记忆：文本 agent 记忆（MemGPT、Generative Agents、Reflexion、Voyager）已有成熟设计——MemGPT 组织工作/回顾/归档三级记忆，Generative Agents 把观察流转化为高层反思，Reflexion 存语言化的失败教训，Voyager 保留可组合的可执行技能程序。但图像的空间细节、视频的时序连续性、GUI 的状态绑定、具身的多视角实体关联，使『翻译成文字再存』这条捷径不再无损：caption 丢掉的空间布局可能正是后续任务需要的，接口观察把外观绑定到可操作的屏幕坐标，具身经验要在跨视角、跨物体身份、跨位置间维持关联。Survey 图 3 显示具身与视频记忆架构 2025 年后增长最陡，语音/音频记忆仍然稀疏。

参数化固化：知识编辑（ROME、MEMIT、AlphaEdit）、技能学习、行为转向、知识抑制原本各自为战，接口互不兼容（事实编辑请求 vs 遗忘数据集），评价口径也各自为政——编辑论文看效力/局部性，遗忘论文看 Forget/Neighbor 分数，互不可比。Cortex 用『上下文』作为统一描述层，把这些任务收编为同一个学习问题：只要上下文带来正增益，固化就是在 CR–RR 平面上找位置。

自写记忆：ACE 逐条追加经验、Dynamic Cheatsheet 整体重写、ReasoningBank 按相似度检索，但共享同一设计缺陷——写经验的 agent 同时是裁决保留哪些经验的法官。已有工作（LLM 自评偏差、ExpeL 投票）提示自评不可靠，RBC 首次系统量化了这种不可靠在记忆策展上的代价，并给出可操作的替代机制。

1.3 为什么现在研究这个问题

长时程任务与终身设置（lifelong settings）成为 Agent 落地的主流需求：跨会话个性化、持续变化的环境、需要从失败中积累策略。Survey 的三个数字勾勒了领域现状：297 个架构中 74.4% 支持运行时记忆更新，但只有 5.7%（17 个）做到管理策略本身的进化——『怎么管记忆』的元层级几乎是处女地。Cortex 和 RBC 分别在参数层和文本层向这个空白推进：前者让每次经验写入都能安全沉淀，后者让沉淀下来的存量经验可信可用。

同时，记忆机制也是商业闭源模型 API 化后不可回避的约束——RBC 的出发点之一就是：通过专有 API 重训模型成本高昂甚至不可能，持久文本记忆与参数固化是仅有的两条免重训进化路径。这使得三篇论文的问题定义不是纯学术趣味，而是『Agent 从演示品走向生产资料』的工程必答题。

二、论文定位和关联工作

2.1 Survey：从组件分类到生命周期分类

此前 agent 记忆综述按来源（场景/语义/程序性）、表征形式、功能、时间范围、操作类型分类，多模态侧则有 VLM 分类学、多模态架构/存储/基准/应用分述。Survey 的差异化定位：分析单元从记忆组件改为操作生命周期——经验如何成为持久记忆、表征如何约束后续的检索/修订/验证、适应发生在何处。这种视角能发现单轴看不到的交叉模式（如 T3 集中于显式表征）。

2.2 Cortex：统一形式化 + 帕累托度量

Cortex 的定位是『统一者 + 强基线』：

2.3 RBC：从估值到策展的最后一公里

RBC 与最接近工作的差异可以用论文表 19 的四个维度概括：

RBC 的关键洞察是把 ContextCite 的『随机掩码 + 线性拟合』设计从『解释一个答案』移植到『策展要服务的记忆』，并结合 Data Banzhaf 理论保证无偏估计。

2.4 三篇合起来的定位

Survey 指出 T3（策略进化）稀缺且集中于显式表征 → RBC 恰好是文本显式记忆的 T2.5 级策展（度量驱动的保留决策，但保留规则本身固定、不随部署反馈再进化，因此还不算 T3）；Survey 指出参数化表征『难编辑、难验证、难回滚』→ Cortex 用行为测试（CR/RR）绕开直接检查，证明参数记忆可以做小步固化，其『每上下文一个可合并 adapter』的设计也回应了 Survey 对更新传播与一致性的担忧。三篇互为印证：显式记忆适合进化和筛选，参数记忆适合整合与原生访问，混合路线（Survey 中 46.8% 的架构）是主流。用 Survey 的语言说：RBC 是显式表征 + 测量策展的 T2 增强，Cortex 是参数表征 + 行为验证的 T2 固化，两者共同指向 T3 的可行路径——让『保留阈值、预算、块划分』这些策展策略本身也能从反馈中进化。

三、问题定义

3.1 Survey：用双轴刻画记忆系统的状态空间

抽象问题：给定经验流，记忆系统在设计时必须同时回答两个正交问题——表征问题（信息以什么形态存活到未来计算）与管理问题（持久变化的范围在哪里）。形式化为：

• 轴 I 形成与表征：源态保留（可恢复、贵）/ 跨表征显式记录（可编辑、有损）/ 潜在态与参数化（紧凑、难检查）三族 + 混合架构。
• 轴 II 管理：T1 静态（记忆不变，只有索引检索）/ T2 动态（记忆状态变，管理策略稳定：更新、固化、修订、重组、遗忘五操作）/ T3 自进化（管理策略本身随反馈进化：写策略、维护策略、检索策略）。

精妙之处：层级是递增约束——T2 继承 T1 的表征瓶颈再叠加『可编辑性、可验证性、可逆性、更新传播』要求，T3 再叠加『策略可寻址、反馈可归因、修订可验证』。这让任何新系统都能被定位为状态空间中的一点，暴露其结构性短板。

3.2 Cortex：把固化和保持写成配对目标

抽象问题：给定模型 M 与带来显著正增益的上下文 C（context gap Δctx > 0），求更新后模型 M′ = A(M, C)，使 M′ 在不携带 C 的情况下恢复 Q⁺ 上的增益、且保持 Q⁻ 上的原有能力：

• CR（固化率） = (Perf(M′, Q⁺) − Perf(M, Q⁺)) / Δctx，恢复多少增益
• RR（保持率） = Perf(M′, Q⁻) / Perf(M, Q⁻)，保住多少旧能力

支持单次、批量、序列三种设定；序列设定中过去的上下文不可回看，非目标能力始终以初始模型 M₀ 为参照。

精妙之处：这是结果导向的形式化——C 只提供经验与行为参照，不规定训练信号，学习方法自由。知识编辑/技能学习/行为转向/知识抑制因此成为同一问题的实例，可在共享的 CR–RR 平面上公平比较。『context gap 为正』这一前提还干净地区分了记忆失败与能力失败。

3.3 RBC：记忆策展 = 预算约束下的子集选择

抽象问题：给定 playbook P（经验集合）与 token 预算 B，求最优服务子集 S⋆ = argmax_{S⊆P, tokens(S)≤B} V(S)，其中 V(S) 是服务 S 时的期望任务成功；多个生长轮时再在 {各轮 S⋆、各轮完整 P、空集} 中选优。V 只能通过带噪声的 episode 观测。

精妙之处：把『哪些经验有用』从判断题变成测量题。单个经验的效果通常被几百个 episode 的噪声淹没，RBC 用『块』为测量单位；块 j 的效果定义为对其余块随机子集的平均增益——恰好是 Banzhaf 值，随机纳入使其可用简单组间差无偏估计。

3.4 三个问题的关系

三者构成一条价值链：Survey 回答『记忆应该长什么样』（表征层设计空间），Cortex 回答『上下文增益怎么进参数』（固化机制），RBC 回答『已有记忆怎么去芜存菁』（策展机制）。共同的形式化骨架是『目标增益 vs 非目标保持』的权衡——Cortex 的 CR/RR 是其参数化版本，RBC 的『近零害』（最大跌幅 0.8 分）是其策展版本，Survey 的 T1/T2/T3 层级则刻画了实现这一权衡所需的管理复杂度阶梯。

四、问题解法

4.1 Survey：双轴分类学的运作方式

分类学不是简单贴标签，而是推论工具：

• 表征决定的操作边界：源态证据支持增删换单条观察，但语义错误可能出在派生记录而非源数据——改错对象是注解而非图像本身；显式记录可精确编辑但一个实体身份的修改要级联到属性、事件、索引；潜在/参数记忆的更新范围难以圈定，『不知道哪些数值分量编码了目标信息』。
• 管理层的瓶颈递推（Survey 表 1）：T1 瓶颈=形成时没保住该保的信息；T2 追加=编辑范围失控、验证痕迹不足、不可逆、跨表征不同步；T3 追加=策略不可寻址、反馈无法归因到策略组件、修订不持久、缺策略级验证。
• 语料级统计（297 架构）：T2 占 68.7%（204 个）绝对主流；混合表征占 46.8%（139 个）为最大类；T3 仅 17 个且全部含显式表征（13 个跨表征显式 + 4 个含显式的混合）——显式的规则/技能/工作流占据『可从反馈修订、可验证、可复用』的甜点位。
• 系统层落地：第 6 章把逻辑设计映射到物理现实——存储分层（HBM/DRAM/SSD/远端）、数据搬运与压缩、逻辑记忆索引 vs 执行态索引（radix 前缀复用）分离、物化与写回、一致性与协调（版本/出处/失效/隔离）。核心提醒：缓存优化 ≠ 记忆机制，物理驱逐 ≠ 语义遗忘。

4.2 Cortex：三问式固化框架

Cortex 围绕三个设计问题组织，全部机制可折叠进标准 FFN/MoE 层：

学什么——前瞻排练（prospective rehearsal）。借鉴『记忆用于想象未来』的认知科学结论，让冻结的更新前模型自己生成查询与上下文条件化回答：qᵢ ∼ M(·|I_q, C)，yᵢ ∼ M(·|C, qᵢ)。不碰任何评测数据；agent 任务（ALFWorld/τ²-Bench）例外地用环境查询 + 只保留成功轨迹的正确性过滤器。用模型自己的回答作目标，减少外部答案的分布失配、支持 RR。

写在哪——FFN 作为记忆基底。依据 FFN 的键值记忆特性与事实关联定位研究，两种可塑性：

• Synaptic（突触式）：对 W_G/W_U/W_D 加秩 ≤ r 的低秩增量，冻结原矩阵，类比突触强度变化；
• Structural（结构式）：新增 k 个非线性通道（U_s, G_s ∈ R^{k×d_h}，D_s ∈ R^{d_h×k}），原权重块完全冻结，类比新突触连接长出。k = r 时 Structural 训练 3r·d_h 个参数，少于 Synaptic 的 3r(d_h + d_ff)。

MoE 扩展采用共享分支：路由权重归一时 E_s 可等价折入每个专家（F_MoE(x) = Σ_e g_e(x)(E_e(x) + E_s(x))），每个 token 都流过新增参数——对照按专家独立扩展时部分分支几乎收不到训练信号（GPT-OSS-20B 上 768 个层-专家分支中 32 个在所有种子下暴露不足其层均值 1%）。

怎么写——上下文到记忆蒸馏。冻结的更新前模型做老师（带 C），学生不带 C 只训新增参数 ψt；损失 = 截断 top-K_v 词表的 KL（迁移预测行为）+ FFN 残差后隐状态的 MSE（给新 FFN 参数直接补偿『上下文移除』的靶子，理论依据是注意力输出差异可由 FFN 修正的有限态分析）。序列更新时冻结更早写入、只训新参数，配合查询重放：只存历史查询、答案由更新前检查点重生成，无需保存历史上下文。

4.3 RBC：测量三步曲

RBC 不改生长过程，只替换『判断 + 服务』两步：

第一步：随机纳入测块效应。把经验嵌入（all-mpnet-base-v2）后用 Ward 法聚成 m = 8 个主题块（论文附录 E.7 表明块数从 4 到 16 影响不大）；每个练习 episode 独立以 p = 1/2 纳入每块，形成两水平因子设计；用带任务截距的 ridge 回归 y_i = α_{x_i} + Σ_j θ_j z_ij + ε 估计块效应，惩罚系数由留一任务选出。任务截距吸收任务难度（同任务内对比），ridge 在均衡设计下按近似同一因子缩放所有估计、保持符号与排序。命题 1 保证：p = 1/2 时组间差是 Banzhaf 值的无偏估计，一轮 episode 同时测所有块，方差约 4σ²/n——比逐块留一法省 (m+1)/2 = 4.5 倍 episode。块间交互被平均进 θ_j 而非假设不存在（一个块只在与另一块同服时才有增益 g，会得到 θ_j = g/2 的温和估计）。

第二步：预算内策展。只用 θ̂ 的符号与排序：θ̂_j > 0 的块按效应从大到小装入，超预算 B（playbook 的 40%）即停；全负则服务空集。效应可加时该贪心是背包精确解（等尺寸块）；不对效应除以 token 数——除以小尺寸会放大噪声。Dynamic Cheatsheet 的经验整体重写、不可分性强，RBC 在练习任务上探测到『策展不划算』时自动回退为服务最优完整 playbook（8 个设置中 7 个如此）。

第三步：跨轮验证。生长 K = 3 个 playbook（不同任务顺序），对 2K+1 = 7 个候选（3 策展集、3 完整集、空集）在新鲜练习 episode 上打分 π(S)，服务最高者。每个候选都有存在的理由：策展集在效应可加时最优；完整集防『块只在与他块同服时才有价值』的组合效应；空集防所有生长轮都写坏。命题 2 给出安全性：Hoeffding 界保证被选者的真实期望至多比最优候选低 2√(log(2C/δ)/(2n))；空集始终在候选中，故选择永不劣于无 playbook。整个策展过程不调用任何语言模型（论文附录 G：RBC 唯一新增的 prompt 元素是 playbook 区块标题），超参（K=3、B=40%、m=8）在 4 个开发设置上定好后对其余 15 个设置保持冻结。

五、评估指标与实验证据

5.1 Survey：82 个基准的六维能力图谱

Survey 用六个模态无关维度刻画评测覆盖：证据访问（跨模态 CE / 长程 LE）、记忆有效性（状态变化 SC / 冲突记忆 CF / 不可答 UQ）、记忆落地行动（MA），再加各模态特有维度（图像的细粒度 FG/实体跟踪 ET，视频的时序定位 TL/TR/多事件 ME，GUI 的持久界面状态 GS/动作-状态 AO/跨会话复用 XR，具身的空问记忆 SM/物体状态 OS/任务进度 TS 等）。关键论证：只有端任务正确率无法归因记忆——正确答案可能来自当前上下文或参数知识，错误可能出在形成/访问/维护/利用任一环；证据、区域、时间戳、出处标注才能直接检验记忆落地。维度到分类学的映射：LE/TL/ME/XR 对应 T1，SC/CF/VC/GS/AO/OS/TS 检验 T2，而没有任何现有基准标签能单独确立 T3（需要部署反馈产生持久策略修订的证据）——这是评测侧的最大缺口。

5.2 Cortex：CR–RR 帕累托前沿的证据链

测试床：五任务族覆盖陈述性/程序性/行为性记忆、增/改/抑操作、局部/全局范围：agent 经验固化（ALFWorld 134 个未见局 + τ²-Bench 100 测试实例，保持测 MMLU/SimpleQA/Math）、新 API 学习（2025.11–2026.02 的 15 个真实 PyPI 包 × 10 题 = 150 道可执行测试，保持测 MMLU/SimpleQA/LiveCodeBench）、人格转向（Power-seeking 200 题/Psychopathy 1000 题，RR 用流畅度）、知识抑制（RWKU 10 实体，保持测邻域知识 + BBH）、事实编辑（ZsRE 50 条，靶评测=效力+泛化+可移植三面，保持测局部性/MMLU/SimpleQA/GSM8K）。骨干横跨 4B–120B 稠密与 MoE、指令/推理/多模态模型。

关键结果：

消融的证明力：RQ1（同数据训 LoRA-All：Qwen2.5 批量代码上 Structural 超 LoRA-KL 23.0 CR 分）排除『数据独功』；RQ2（同秩下去掉注意力更新：CR+3.8、RR+4.0）支持 FFN-only；RQ3（去重放 25 次后续编辑后 Structural 仍保 40.5% 而 Synaptic 只剩 8.0%，有重放双双 >96%）分离参数隔离与行为重放的贡献；RQ5（同权重预算下共享 MoE 扩展 ALFWorld +4.6、代码 +10.3 CR）；RQ6（Structural k=1 最小容量反获最高 88.9% CR——紧凑结构化更新优于堆容量）。

5.3 RBC：19 设置的测量 vs 判断

设置：2 个记忆系统（ACE 11 个设置：AppWorld 双反馈类型/WebShop/ALFWorld × Qwen3.8-27B/Qwen3.5-9B/Gemma-4-31B；Dynamic Cheatsheet 8 个）× 3 基准，训练/练习/评测任务三分（如 AppWorld 168 评测任务 × 3 种子），每分数建立在数百至数千 episode 上。

主表证据链（任务成功 0–100）：

各分解也自洽：RBC 在 19 设置中 15 个胜完整 playbook；ACE 上 67.2 vs Best-Full 66.1 且只服务 60% vs 78% 的 token；长生长（最多十遍）下完整 playbook 停止帮忙（27B AppWorld per-test 46.6 vs 无手册 78.4）时 RBC 仍靠策展取胜（84.9 vs Best-Full 78.4）；练习/评测候选排序 Spearman 相关中位数 0.89，解释了选择为何能迁移。

最有说服力的单个证据：那条被 Reflector 标注 helpful 123 次、harmful 0 次的规则（『调用 complete_task 时总是传具体非空字符串答案』）——很多任务本不该传答案，带此规则后 27B 在此类任务 69.0% 给了答案 vs 无规则 37.5%，其所在块测得效应 −31.8 分。判断看的是规则像不像好建议，测量看的是规则做了什么。

评测设计的证明力分析：这套实验之所以能支撑『测量优于判断』的主张，关键在三点设计。其一，同一批 playbook、同一批任务与种子，方法间唯一的差异是『怎么决定服务什么』——排除了生长质量、任务难度等混杂。其二，参考点双锚定（无 playbook 与完整 playbook），使『提升』与『免害』两个主张分别可检——RBC 的独特价值恰恰在第二锚（最大跌幅 0.8 分），因为此前方法的失败模式是灾难性的整体伤害而非平均略差。其三，三分数据（训练长记忆、练习测量、评测计分）+ 超参冻结协议（4 个开发设置定参、15 个设置零改动）杜绝了评测泄漏的质疑。对照『指标好看』与『指标证明了主张』：RBC 的 66.9 分本身不算惊艳，但『在 19 个异质设置上无一灾难性失败』才是论点的真正证据——稳定性比峰值更能证明测量机制的价值。

六、效果优势的根源解释

6.1 Survey：为什么 T3 稀缺且扎堆显式表征（结构因果）

因果链：策略进化需要『归因到策略组件 + 修订可持久 + 修订可验证』→ 显式表征（规则/技能/工作流/程序）天然提供可寻址的修订目标、可追踪的决策痕迹、可回滚的版本 → 源态证据没有可改的『策略载体』、潜在/参数态的分布式编码使单点修订无法定位 → 统计上 17 个 T3 全含显式表征。这不是工程巧合而是表征约束的必然后果：管理的复杂度阶梯要求表征的可操作性同步升级。同理，T2 占 68.7% 反映『稳定策略 + 可预测更新』在工程可控性上的甜点。

6.2 Cortex：为什么小 FFN 更新能赢大编辑基线

因果链一（为什么参数量能小三个数量级）：基线如 AlphaEdit 每次编辑动 353.9M 参数（MEMIT 式全层统计量约束）→ 扰动面大 → 为保住旧能力只能弱化写入 → 序列编辑下既丢新知识又丢旧能力（22.7% CR）。Cortex 只训新增的 0.74M 通道参数、原权重与历史写入全冻结 → 干扰路径被结构隔离 → 写入可以更激进（初始 91.3% CR）且后续损失小（-2.4 分）。RQ3 的反事实验证了链条中段：冻结不等于行为冻结，去掉重放后 Synaptic 25 次编辑后掉到 8.0%——说明隔离贡献大头、重放兜底，两者互补而非任一独立成立。

因果链二（为什么 KL+MSE 双监督）：上下文移除改变注意力输出 → 理论上 FFN 修正可补偿 → MSE 直接把『FFN 残差后状态对齐』设为靶点，给每层中间计算提供监督（排练样本有限时的额外信号）→ RQ4 显示 Synaptic 上 MSE 提 RR 2.7 但降 CR 4.0（约束过强的代价），Structural k=16 却双升——监督约束与写入参数化的交互决定净效果，不是万能加项。

外部交叉验证：FFN 键值记忆定位有 Geva et al. 脉络（论文引 [27,56]）；CLS 理论（海马快速编码/新皮层慢整合 + 重放限制干扰）来自 McClelland 等经典工作 [42,55]，与『冻结旧参数 + 重放保旧行为』同构；参数隔离 + 扩容在持续学习（progressive networks 一脉 [67,99]）与 WISE/GRACE 的记忆路由设计中有相近结论。相反结论亦有：论文承认 Doc2LoRA 在 Qwen3 单编辑上 95% CR 超 Cortex 的 84–89%（超网络路线 amortize 了适应），但 RR 86% 低于 Cortex 的 103–110%——提示『一次性投入每上下文直接优化』与『跨任务摊销』各有适用边界；GPT-OSS-20B τ²-Bench 上 Structural 仅 38.5% CR、Synaptic 为负，证明环境交互难度决定固化难度，方法非万能。

6.3 RBC：为什么测量碾压判断

因果链：LLM 是自己输出的差且有偏的评判者（Huang et al. 2024; Zheng et al. 2023）→ Reflector 只见过『用某经验的 episode』、从无对照，且规则『听起来对』就打 helpful → 81 个块上标签与实测效应秩相关仅 0.21，最有害的块反而携带大量 helpful 标签 → 用标签剪枝（保留 40% token）在 4 个有害设置中 3 个仍有害。RBC 的随机纳入制造了同一任务分布上的『有块/无块』可比组 → 组间差无偏估计 Banzhaf 值 → 保留决策基于因果效应而非语义观感。安全性来自机制而非运气：空集是候选 + Hoeffding 界 → 最大跌幅压到 0.8 分。

外部交叉验证：无关上下文使 LLM 分心的结论（Shi et al. 2023; Liu et al. 2024 的 lost-in-the-middle）解释了为什么更长 playbook 会伤害成功率，与『预算 40% 优于全留（65.2 vs 63.8）』一致；生长轮间方差呼应微调对数据顺序的敏感性（Dodge et al. 2020）；自创检验不可靠在 Guo et al. 2026（自进化 agent 写的检查也不可靠）得到独立复现。方法侧，随机子集 + 线性拟合出自 ContextCite（NeurIPS 2024），Banzhaf 值的鲁棒性论证出自 Data Banzhaf（AISTATS 2023）；相反方向的证据：论文诚实报告了 DG-Mem 的 subset-Shapley 估计在同一 episode 上策展劣于 ridge 回归（4 个 27B 设置中 3 个）——说明估计器选择（无偏回归 vs 截断 Shapley）本身是有效成分，不是随便一个估值都行。

6.4 综合判断与未决问题

多项研究共同支持的机制：(1) 显式可寻址表征最利于反馈驱动的修订（Survey 统计 + RBC 可行性 + Cortex 的行为测试绕道）；(2) 小步结构隔离的参数更新优于大面积重写（Cortex 主实验 + WISE/GRACE 的路由隔离旁证）；(3) 自评不可作为保留依据（RBC 标签相关性 + LLM-judge 偏差文献 + Guo et al. 复现）。仍属推测的：Cortex 覆盖率超 100% 的部分归因于『参数化整合利于上下文本身达不到的组合泛化』（论文自标为 open hypothesis，生物学的睡眠-顿悟类比只是启发）。适用边界：RBC 需要可观测结果的任务与足够练习 episode（成本为单轮策展的 3.3–4.1 倍 episode），在练习/评测分布错位时退化（AppWorld 的两个 DC 设置低于无 playbook，改在评测分布同源任务上选择可 +2.2 分）；Cortex 的经验必须能表达为模型已可利用的文本上下文，τ²-Bench 类高难度交互环境固化仍难。

值得单独标注的三条因果链强度差异：RBC 的『随机纳入 → 组间可比 → 无偏估计 → 策展有效』全链有命题 1/2 与消融（DG-Mem 估计器对照）双重支撑，是三者中最硬的；Cortex 的『结构隔离 → 干扰受限 → 序列保持』有 RQ3 反事实直接验证，但『MSE 靶点选择 → 补偿注意力输出差异』更多依赖理论分析的间接推断；Survey 的『表征可操作性 → T3 分布』是相关性观察（语料统计），因果方向上不排除『做 T3 的团队恰好偏好显式记忆』的选择偏差——阅读者应将后者视为有待干预实验检验的假设，而非已证机制。

七、必要知识反推

假想一位毫无背景的研究者要同时做出这三篇工作，最少需要什么：

领域知识层：Agent 循环（观察-推理-行动）与记忆作为跨步持续状态的角色（Survey 的定义 boundary）；认知科学的记忆分层（工作记忆/长期、情景/语义/程序）、CLS 互补学习系统与系统固化理论、突触强化 vs 新突触生长的生物学区分——后者直接映射为 Cortex 的两种 FFN 可塑性。

方法论知识层：Transformer 内部结构知识——FFN 的键值记忆解释、注意力与 FFN 的分工、SwiGLU 公式、MoE 路由机制（决定『写在哪』）；知识编辑谱系（ROME/MEMIT 的定位-编辑范式、AlphaEdit 零空间约束、WISE 分片路由）与上下文蒸馏（师生 KL、SELF-PARAM 的注入协议），否则无法定位 CR–RR 平面上的坐标；因果推断与实验设计——因子设计、无偏估计、Banzhaf/Shapley 博弈论价值、ridge 回归的收缩性质（保持符号与排序）、Hoeffding 界与 union bound——RBC 命题 1/2 的全部骨架；LLM 自评偏差与上下文干扰文献（判断失败的机理定位）。

工程知识层：LoRA 训练与参数折叠（merge 回权重矩阵才能零推理开销）；embedding + 层次聚类（Ward 法）构造语义块；大规模 agent 评测的种子/方差控制（RBC 每个分数数百至数千 episode、重新评测方差 ≤5 分的噪声地板校准）；测试床构造的评测卫生——上下文构造不碰评测集、靶/保持查询分离、按模型适配上下文（Cortex 手工构造出显著 context gap 是整个评测成立的前提）。

知识融合的关键节点：三个『化学反应』时刻——(1) 把 ContextCite 的归因设计从『解释一个答案』迁移到『决定服务什么』，同时识别出 Banzhaf 值使组间差无偏（机制移植 + 理论认证的融合）；(2) 把 CLS 生物理论的双机制（强化既有突触 vs 长出新连接）操作化为低秩增量 vs 新增通道两种可微参数化，再配上『FFN 可补偿注意力输出差异』的理论分析选 MSE 靶点（神经科学类比 + 架构理论 + 优化的三重融合）；(3) Survey 把『管理策略是否随反馈变化』从工程细节升格为分类轴的主维度，从而让 297 个系统的统计规律（T3 扎堆显式表征）变成关于表征可操作性的推论（分类学 + 统计检验的融合）。

八、论文中可以提取的通用性灵感

灵感一：评判者与被执行者必须分离——用测量替代自评。 任何『生产者自评保留权』的机制都系统性偏差（RBC：标签-效应秩相关 0.21；最有害块带 123 个 helpful 标签）。推广场景：代码 agent 保留自己的工具脚本入技能库；推荐系统决定保留哪些用户画像特征；RAG 系统决定哪些文档常驻索引；自动化 pipelines 保留哪些检查规则；个人知识管理决定保留哪条笔记。做法皆是：构造小规模随机对照（含/不含该单元），用无偏估计量决策。

灵感二：以配对『增益恢复 × 旧能力保持』度量一切持久化修改。 单指标必然被单边优化（SHINE 100% CR 换 4% RR 的极端案例；TTT 基线 98–101% RR 但 CR 为负）。CR/RR 的比值结构可平移到：微调后的遗忘检测（新任务恢复率/旧任务保持率）、prompt 模板迭代、数据库 schema 迁移、组织流程改造。核心是非目标能力的参照点必须在每次修改后重新校验（Cortex 用 M₀ 而非上一个检查点）。

灵感三：最小的持久写入单元 + 冻结历史 + 行为重放，是小步快跑积累的通用架构。 Cortex 用 0.74M 参数/编辑扛住 50 连击；参数隔离（防梯度路径干扰）与行为重放（防表征漂移）缺一不可（去重放后 8.0% 的反事实）。推广：增量模型交付、配置系统的灰度变更、团队知识的 versioned 沉淀、法律体系的判例增量——都是『新写入隔离存放 + 旧行为定期重演以锁住不变量』。

灵感四：测量单位要大到效应能越过噪声地板。 单条经验/单次改动的效果被环境方差淹没（RBC：单条经验难在几百 episode 中显效），按语义聚成块再测量，估计器设计保证块间交互被平均而非被假设掉。推广：A/B 测试按特性组而非单开关分组、特征重要性按特征族评估、药物联用的疗法组合评估、教育干预按课程模块评估。

灵感五：把异质任务收编到一个统一接口 + 一张帕累托平面，是比较研究的最好形式化。 Cortex 用『上下文』统一四类任务后，原本不可比的方法（编辑器/蒸馏/超网络/TTT）落在同一 CR–RR 图上，优劣一目了然。推广：把各类系统防御措施统一为『攻击面定义 + 两个轴（拦截率/误伤率）』；把各类代码优化统一为『程序定义 + 加速比/数值漂移』两轴后再比较。

灵感六：可进化性是表征的选择压力——想让策略能从反馈进化，先保证策略显式可寻址。 Survey 的统计（T3 全在显式表征侧）是普适规律的证据：规则/程序/清单因其可定位、可追溯、可回滚而独占进化生态位。推广：可观测性设计（日志即显式策略痕迹）、法务合规的可审计流程、自动驾驶的行为规范栈，凡需要『从结果反推并修改机制』的系统，其机制描述必须显式化为可编辑对象。

灵感七：诚实的成本核算是方法可信度的一部分。 RBC 用表格报告 3.3–4.1 倍 episode 成本与每任务 token 开销，Cortex 承认每上下文优化需穿过骨干的反向传播、对大模型仍昂贵，并都把『成本换可靠性』的边界画清楚（RBC：多两个弱生长轮才能追平；Cortex：超网络摊销是替代路线）。这种自我核算习惯值得在任何系统设计中推广：不报告代价的方法比较都是不完整的实验。

附录：三篇论文速查卡

注：核心实验数据均已纳入第五部分，此处仅作跨论文对照速查；三篇论文的 arXiv 编号与代码链接见文首题目区。

加评：三篇论文的横向启示与局限

三篇互为补充的暗合：Cortex 的经验来自 agent 轨迹、固化前无过滤；RBC 的证据表明 agent 写下的经验约四成设置整体有害——可以想见『先 RBC 式测量、再 Cortex 式固化』的流水线（RBC 作者也把『边服务边生长的记忆』列为未来工作）。Survey 则提示融合方向：显式 playbook 管筛选、参数记忆管整合、混合架构（46.8% 的现状）做接口。

方法论上最值得学习的：三篇都体现『先形式化、再比较』的克制——Survey 用双轴让 297 个系统可比，Cortex 用 CR/RR 让四类任务可比，RBC 用 Banzhaf 值让 81 个块可比。共同的反面教材是领域里大量『我加了个模块、分数涨了』式工作：没有配对度量与归因设计，涨分无法区分真实增益与评测泄漏。

诚实的局限：Survey 的分类学对边界案例（如 KV 缓存复用算不算记忆）依赖『经验派生 + 刻意复用』的人为裁定；Cortex 承认序列协议下只测了事实编辑一族，跨任务连续固化与批量扩展剪枝未解，且每上下文直接优化的计算成本仍高（需穿过骨干的反向传播）；RBC 的代价是 3.3–4.1 倍 episode 成本与对可观测结果的依赖，闭源模型的不可控黑箱提示了在自托管模型上验证的必要。三者都未触及多智能体共享记忆的固化与策展——那可能是这条链条的下一环。

一句话收束：让记忆可靠的路径不是让模型更会写，而是让系统更会验——地图（Survey）告诉我们该在哪建检查站，固化（Cortex）与策展（RBC）则是两个已通过压力测试的检查站原型；下一站，是把这两个原型接成同一条流水线。