本文章没有找到对应的语言版本

零、写在前面

读这篇论文之前，读了一篇方法稍显复杂，可解释性差，故事性较强的工作，认真拜读几个小时get不到它的点，去翻 github 仓库，源码也没放，就放了模型权重和测试脚本。

搞得整个人挺累的，想了想自己最近读了这么多 memory 的文章，感觉各种牛鬼蛇神都见了，有时候都不明白为什么方法没一点泛用性，纯讲故事的文章都能中。

看到 xMemory 这篇论文突然有点释怀了的感觉~~（此处应有关羽之歌~~

这个工作的 motivation 的出发点就是，现在这么多 memory 的工作，提出那么多的记忆存储架构，实则收益极低，全是讲故事。主要也是之前的 benchmark 像 LOCOMO、LongMemEval 质量真不敢恭维，随便一个 rag 都能刷到很高，要不说 agent memory 灌水严重呢。

所以这篇论文的关注点就是检索，做了一个比较直观的记忆结构整理，以及配套的检索方式。个人感觉如果暂时找不到一种比较 work 的存储架构的话，如何做好检索也是一个不错的方向。

一、标题

image.png

作者团队来自伦敦国王学院NLP组

Beyond RAG for Agent Memory 的主张是：标准 RAG 面对长对话记忆时，有一个结构性错配。

不少 memory agent 仍是标准 RAG：chunks → 向量化 → 相似度 top-k → 拼上下文 → LLM 回答。

但“前提错位”：RAG 面向异质文档库，主要翻车是检索到不相关；而 Agent Memory 是有边界、连贯对话流，候选高度相关且近重复多。

作者提出 xMemory，遵循 decoupling before aggregation（先解耦、再聚合）：

  • 先从局部对话里拆出独立事实、属性、关系和状态更新；
  • 再对这些细粒度证据做 group 聚合；
  • 查询时先读取紧凑 group 与 component，只有 reader 仍不确定时才向下展开原始 segment 或 message。

按照《Memory in the Age of AI Agents: A Survey》的 Forms / Functions / Dynamics 框架：

  • Form（形式）：主要是外部 token-level memory（文本级记忆），但其结构是层级图式组织：原始 message 到 segment、component、group，并有 kNN 邻边与原文回指。
  • Function（功能）：以 factual / semantic memory（事实与语义）、episodic memory（情景事件） 为主，保存时间、关系、偏好和状态变化；不是 procedure 或 working memory 工作。
  • Dynamics（动态）：增量写入、attach、split、merge 和回溯重组。它比静态层级 RAG 更像会整理档案的 memory manager。

二、摘要

2.1 标准 RAG 为什么不适合 Agent Memory

标准 RAG 的典型问题是：能否从海量异质文档中找到相关资料。Agent Memory 的难点更细：一堆候选都相关时，如何找出真正区分答案的那条证据。

假设历史里有三段话：

  1. 1 月：Gina 说自己失去了 DoorDash 的工作。
  2. 3 月：Gina 说自己开了线上服装店。
  3. 4 月：Gina 说网店在做促销。

现在问：

Gina 是什么时候失去 DoorDash 工作的？

普通 RAG 会把这三段都视为和 “Gina + 工作 + 生意” 有关，top-k 可能把 3 月和 4 月的内容也一起拿回来。Reader LLM 看见大量“职业转型”信息，容易回答成“3 月左右”，或者答得含糊。

2.2 xMemory 的方案

不要直接从“整段叙事”里检索。先把叙事拆成更干净的证据单元，再找证据。

xMemory 从原始消息向上建立四层：

  1. Message：原始对话；
  2. Segment：时间和主题连续的局部事件；
  3. Memory component：从 segment 解耦出来的最小可复用事实、属性、约束、关系或状态更新；
  4. Group：相关 components 的高层聚合，用于快速进入证据区域。

检索时反向进行：先从 group / component 选出高层证据骨架，再在必要时回到其关联的 segment 和 message。

3.3 作者声称的贡献

  • 提出 Agent Memory 与标准 RAG 之间的“高相关历史流”错配。
  • 提出先解耦、后聚合、可修订的层级 memory structure。
  • 提出两阶段检索：互补骨架选择，加上不确定性下降才展开的低层文本。
  • 在 LoCoMo、PerLTQA 上同时提升回答质量与推理期 token 效率。

三、引言

image.png

3.1 相关不等于有区分度

普通向量检索追求 query 与文本块相似度。但对话记忆里多个段落常共享人名、职业、事件主题。答案却可能由微小差异决定：

  • 精确日期；
  • “之前”还是“之后”；
  • 新偏好是否覆盖旧偏好；
  • 一项数值；
  • 两个同类事件的不同来源。

因此本文希望提高的不是广义 relevance，而是 evidence discrimination（证据区分） 与 evidence coverage（证据覆盖）。

3.2 层级摘要的问题

这个就比如我之前看过的 Memory OS、RGMem，记忆分层，然后向上压缩

已有层级 memory 常从原文向上逐层摘要。它们确实省 token，却容易在高层保留共同背景、模糊区别候选的细节。

作者的判断是：不能直接压缩聚合相似对话，应该先把“相似叙事中不同的事实”拆出来，再聚合这些事实。

所以作者的逻辑大概是这样的：

高度相似的长期对话历史
  -> top-k 返回重复的相关片段
  -> 逐层摘要会留下共同背景、模糊关键差异
  -> 先解耦成单事实 evidence component
  -> 再用 group 组织为紧凑且可重组的索引
  -> 先选互补证据骨架，再仅在需要时展开原文

四、相关工作

4.1 RAG-style retrieval for Agent Memory

许多长期记忆系统将历史切成 chunks，再对 embedding 做 top-k。它简单且原文忠实，但在高相似对话中，top-k 容易被一个主题簇占满。xMemory 的首要改变是：主要检索对象不再是 raw chunk，而是经过解耦的 evidence component。

4.2 Hierarchical、graph-based 与 structured memory

Nemori、A-Mem、MemoryOS 等已经使用情景到语义层级、结构化 note、动态 links 或时间分层。xMemory 的区别如下：

方向 高层节点主要来自什么 xMemory 的不同
渐进摘要层级 原文块或摘要逐层压缩 先从 segment 拆单事实 component，再聚合 component
Note / graph memory 记忆条目和关联 component 保留 segment 回指，group 会随新事件 split / merge
时间分层 写入时间或生命周期 关注相似事件中的区分细节与证据覆盖
xMemory 解耦后的可复用证据单元 用覆盖式高层选择和熵下降展开服务检索

层级、动态 link、split / merge、top-down retrieval 都有前人。本文的创新应理解为：将先解耦、可回指、可重组、覆盖式骨架选择、不确定性展开整合为一条一致检索链。

4.3 Adaptive retrieval over dynamic memory

部分系统可以将新 memory 插入已有 cluster，但这和回头重组旧证据不同。xMemory 允许新 component 到来后触发 split / merge，改变既有 component 的 group 归属。

常见检索会固定 top-k 或固定邻居扩张。xMemory 特别强调：高层先选一个互补 backbone，而不是只选最相似节点；低层也不是固定加全文，而是用 reader 不确定性是否下降控制展开。

五、方法

image.png

5.1 overview

  • 原始 messages
    • 切为局部事件 segments
    • LLM 从 segment 中提取 components
    • components 聚合为 groups，维护 group / component kNN links
    • 新证据进入时 attach，必要时 split / merge
  • query
    • Stage I：选互补 groups 和 components 作为 evidence backbone
    • Stage II：segment / message 只有降低 reader 不确定性才展开
    • reader LLM 基于最终 context 回答

5.2. 写入阶段：将原始对话整理成记忆

整个结构是：

原始消息 Message
    ↓
局部事件 Segment
    ↓
独立事实 Component
    ↓
高层主题组 Group

5.2.1 Message -> Segment

image.png

Message 是原始聊天消息。 系统先按主题、时间、意图连续性，把连续消息切成一个 segment（局部事件片段）。

比如：

1 月 20 日：
Gina：我这个月也失去了 DoorDash 的工作。
Jon：很遗憾听到这个消息……

这几轮会合成一个 segment，因为它们描述同一件局部事件。

为什么不能直接按固定长度 chunk 切？

因为固定长度切块可能把“谁、什么时候、发生什么”拆开。Segment 的任务是先尽量保住一个完整事件。

5.2.2 Segment -> Component

那么什么是解耦呢？

LLM 读一个 segment，抽出若干 memory component。每个 component 尽量只表达一条可独立使用的证据。

例如下面这段可抽成：

  1. 1 月：Gina 说自己失去了 DoorDash 的工作。
  2. 3 月：Gina 说自己开了线上服装店。
  3. 4 月：Gina 说网店在做促销。
Component A:
Gina previously worked at DoorDash.

Component B:
Gina lost her DoorDash job in January 2023.

Component C:
Gina opened an online clothing store in March 2023.
  • Segment 是完整局部事件，保留上下文。
  • Component 是从事件中拆出的、较小的“可检索事实”。
  • Component 仍保留一个指针，能回到它来自哪个 segment。

所以之后查询“什么时候失业”，系统可以直接命中 Component B；如果需要核对原话，再沿指针回到 1 月的 segment 和原始消息。

5.2.2 Component -> Group

如果 component 数量很多，直接在数万个 component 中检索也不够高效。因此系统把相近 component 聚成 group（高层主题组）。

例如：

Group: Gina 的职业变化
- Component A: 曾在 DoorDash 工作
- Component B: 2023 年 1 月失去 DoorDash 工作
- Component C: 2023 年 3 月开线上服装店
- Component D: 之后为网店做促销

Group 像文件夹，component 像文件夹里的索引卡，segment / message 像可回看的原始材料。

5.3 怎样决定 group 划分是否好

论文写了一个目标：

$$ f(P)=\operatorname{SparsityScore}(P)+\operatorname{SemScore}(P) $$

这里 $P$ 是“所有 component 被怎样分组”的方案。

f(P) 是给不同分组方案打分的规则，用于决定是否值得 split 或 merge。

SparsityScore：不要出现巨型组

$$ \operatorname{SparsityScore}(P) = \frac{N^2}{K\sum_{k=1}^{K}n_k^2} $$

其中：

  • $N$：所有 component 数；
  • $K$：group 数；
  • $n_k$：第 $k$ 个 group 里有几个 component。

分母含 $n_k^2$，意味着某个组特别大时会被明显惩罚。

SemScore：组内要像，组间不要重复也不要完全孤立

$$ \operatorname{SemScore}(\mathcal{P})=\frac{1}{K} \sum_{k=1}^{K}\left(\frac{1}{n_{k}} \sum_{i \in C_{k}} \cos \left(\mathbf{x}_{i}, \boldsymbol{\mu}_{k}\right)\right) \cdot g\left(s_{k}\right), $$

  • $x_i$：第 i 个 component 地 embedding

  • $\mu_k$：第 k 个 group 的 中心

  • $s_k=\max_{j\ne k}\cos(\boldsymbol\mu_k,\boldsymbol\mu_j)$，该 Group 的最近语义邻居相似度。

  • $$ g(s_k) = exp(-\frac{(s_k - \bar s)^2}{2\sigma^2}) \\ 其中，\bar s=\operatorname{median}(\{s_k\}) $$
    • 第 $k$ 个 Group 的最近邻关系，是否偏离了当前记忆结构的典型状态。

5.4 如何动态更新

每有新对话，先产生新 component，然后做三类操作。

5.4.1 Attach

新 component 到来后，找最相近的 group。

  • 找余弦最相近的 group centroid，相似度高于 attachment threshold：放进已有 group。
  • 不够像：新建 group。

论文默认 attachment threshold 是 0.6。

5.4.2 Split

若一个 group 过大或内部开始混杂，例如：

Group: 工作

- DoorDash 失业
- 网店创业
- Jon 的银行账户
- 买咖啡
- 健身计划

这显然已经不适合作为高层索引。

系统会在组内根据 component embedding 做局部聚类，提出几种拆法（分成两簇？三簇？），并选择让前述 $f(P)$ 增加最多的那一种。

5.4.3 Merge

如果某个 group 只有一个 component，且和邻居很接近，例如：

Group A: Gina 的网店促销
Group B: Gina 的线上服装店

单独维护 Group A 没意义，系统会尝试合并到 Group B。

论文实验中，关闭 split 和 merge 后，LoCoMo 的平均 F1 从 43.98 降到 38.59。完整系统里约 44.91% 的旧 component 会在后续写入时被重新分组。

这意味着它的“动态性”不是只追加记忆，而是：

后来的信息可以反过来改变系统如何组织之前的事实。

5.5 如何检索

这部分有两个阶段。

Stage I：先选高层证据骨架
Stage II：只有不确定时才展开低层原文

5.5.1 Stage I：high-level backbone selection

Stage I 主要在 Group / Component 层运行；

给定查询 $q$，系统先把它编码为向量 $e(q)$。

对 Group $G_k$，用其 centroid $\boldsymbol\mu_k$ 表示主题位置，则粗粒度相关性可以理解为：

$$ \operatorname{sim}(q,G_k) = \cos(e(q),\boldsymbol\mu_k) $$

对 Component $c_i$，则是：

$$ \operatorname{sim}(q,c_i) = \cos(e(q),\mathbf x_i) $$

候选会在 Group 层和 Component 层独立通过 embedding similarity 产生，再合并为高层候选集合：

$$ V = V_{\text{group}} \cup V_{\text{component}} $$

还有一点：先命中的 Group 会带来其 kNN 邻居 Group 和关联 Component，使检索不只盯着一个“最像查询”的主题点。

论文默认的 Stage I candidate pool 是 20，kNN 邻域大小是 10。

令 $R\subseteq V$ 是当前已经被选入 backbone 的节点集合。

对每一个候选节点 $i\in V$：

  • $N(i)$：节点 $i$ 在 kNN 图里的邻居；
  • $w_{iu}>0$：节点 $i$ 到邻居 $u$ 的边权，通常就是它们的语义相似程度；
  • $N(i)$ 代表“选了 $i$ 后，结构上能触及的相邻证据区域”。

当前 $R$ 已经覆盖到的节点是：

$$ C(R) = \left\{ u\in V \mid \exists r\in R,\ u\in \{r\}\cup N(r) \right\} $$

意思是：

已选节点本身，以及它们的 kNN 邻居，都视为已经被当前 backbone 覆盖。

候选 $i$ 新带来的覆盖区域是：

$$ \Delta(i;R) = (\{i\}\cup N(i))\setminus C(R) $$

即：

选 $i$ 以后，哪些节点是此前没有覆盖、现在第一次能覆盖到的？

如果 $i$ 的邻居几乎都已经被当前 backbone 覆盖，那么即便它和 query 很像，它带来的新增价值也很小。这就是 xMemory 压制近重复证据的关键。

选择公式？

image.png

其中：

项 含义
$i$ 当前考虑加入 backbone 的候选 Group 或 Component
$V\setminus R$ 尚未被选中的候选
$\Delta(i;R)$ $i$ 能新增覆盖的节点
$w_{iu}$ $i$ 与新增覆盖节点 $u$ 的 kNN 边相似度
$Z$ 总候选覆盖权重，用于归一化 coverage 项
$\tilde{s}(q,i)\in[0,1]$ 归一化后的 query-node 相似度
$i^\star$ 本轮应加入 $R$ 的最佳节点

它由两部分相加：

$$ \underbrace{ \frac{\sum_{u\in\Delta(i;R)}w_{iu}}{Z} }_{\text{结构覆盖收益}} + \underbrace{ \tilde{s}(q,i) }_{\text{查询相关性}} $$

第一项：选它以后，能新增覆盖多少尚未覆盖的、且语义关联较强的证据。

第二项：Query Relevance

其实可以写成伪代码：

R = ∅

重复：
    对每个尚未选中的候选 i：
        计算新增覆盖 Δ(i; R)
        计算 coverage gain
        加上 query relevance
    选得分最高的 i*
    R ← R ∪ {i*}

直到候选耗尽或达到检索预算

5.5.2 Stage II：adaptive text expansion.

Stage I 已找到“应该看哪里”，但 Component 是抽取后的原子陈述，可能不够支撑完整回答。

例如：

Component:
Gina 于 1 月失去 DoorDash 工作。

若问题只问“什么时候”，这可能足够；但若问题问：

“她失业后为什么决定开网店？”

就需要打开 Segment，查看时间、原因和前后对话。

Stage II 的原则是：

不要因为 Component 指向一个 Segment，就把整个 Segment 全塞进上下文。只有它真的降低 Reader 的不确定性，才展开。

不确定性 $U(C,q)$

令：

  • $C$：当前已经给 Reader 的上下文；
  • $q$：查询；
  • $U(C,q)$：Reader 在给定 $C,q$ 后，对答案仍有多不确定。

论文实现中，若 Reader 能提供 token logits，使用下一答案 token 的预测熵：

$$ U(C,q) = H\bigl( p_\theta(\cdot\mid C,q) \bigr) $$

展开为：

$$ U(C,q) = -\sum_{v\in\mathcal V} p_\theta(v\mid C,q) \log p_\theta(v\mid C,q) $$

其中：

  • $\mathcal V$：词表；
  • $p_\theta(v\mid C,q)$：Reader 看到 query 和当前上下文后，输出下一个答案 token 为 $v$ 的概率；
  • 熵越高：模型对“答案接下来该说什么”越没把握；
  • 熵越低：模型的预测分布越集中。

注意，它不是让 LLM 自己说“我有 80% 把握”，而是直接使用模型 logits 算出的分布熵。

如果 最终 Reader 是不公开 logits 的 API 模型，论文会使用一个能输出 logits 的 proxy model 来估计 $U$。proxy 只负责“要不要展开这条文本”，最终答案仍由指定的 Reader 生成。

Segment 的边际不确定性下降

对候选 Segment $s$，论文定义：

$$ \Delta U(s\mid C,q) = U(C,q)-U(C\cup\{s\},q) \tag{5} $$

含义非常直接：

  • 先计算不给 Segment 时的困惑程度：$U(C,q)$；
  • 再计算加入 Segment 后的困惑程度：$U(C\cup\{s\},q)$；
  • 两者相减，得到该 Segment 带来的信息增益。

准入条件是：

$$ \Delta U(s\mid C,q)>0 $$

即：

只有加入 $s$ 后，预测熵真的下降，才保留该 Segment。

若：

$$ \Delta U(s\mid C,q)\le0 $$

说明该 Segment 没让模型更确定，甚至造成干扰，则不展开它。

Message 级的进一步展开

只有某个 Segment 已经被接受，其中的原始 Message 才有资格进一步被考虑。

对 Message $m$，完全使用相同规则：

$$ \Delta U(m\mid C,q) = U(C,q)-U(C\cup\{m\},q) $$

准入条件同样是：$\Delta U(m\mid C,q)>0$

因此它不是：

命中 Component
→ 放入整个 Segment
→ 放入 Segment 的全部原始 Message

而是：

命中 Component
→ 测试 Segment 是否降低不确定性
→ 只对通过测试的 Segment 展开
→ 再测试其中哪些 Message 仍提供额外信息

停止条件为：$\forall s \text{ 或 } m,\quad \Delta U\le0$

也就是剩余文本不再带来正的信息增益时，停止继续扩展。

5.6 小结

这套设计的优点与局限：

优点：

  • Stage I 用 coverage 防止 Top-$k$ 被相似背景反复占据；
  • Stage II 不机械展开原文，减少 token 和噪声；
  • Group/Component 给高效导航，Segment/Message 保留可追溯的原始证据；

局限：

  • $\Delta U>0$ 只说明模型更自信，不等于模型更正确。模型可能因某段误导文本而错误地“更有把握”。
  • Stage II 对每个候选 Segment/Message 都要额外做熵估计，存在额外前向计算。
  • 当 Reader 没有 logits 时，proxy model 的熵不一定和最终 Reader 的真实不确定性一致。

六、实验

6.1 评测设置

  • LoCoMo：50 个多 session 对话，平均约 18K tokens、300 turns；报告 multi-hop、temporal、open-domain、single-hop 四类可回答问题。

  • PerLTQA：平均约 25K tokens 的个性化长期记忆，答案常为句子而非短 span。

  • 指标：BLEU-1、token-level F1；PerLTQA 额外报告 ROUGE-L。

  • Reader / memory construction LLM：Qwen3-8B、Llama-3.1-8B-Instruct、GPT-5 nano；同一 backbone 同时做 memory construction 和回答。

  • Embedding：text-embedding-3-small；回答以 greedy decoding 生成。

  • Baseline：Full Memory、Naive RAG、LightMem、Nemori、A-Mem、MemoryOS。

6.2 LoCoMo 主结果

image.png image.png

优势在 multi-hop 与 temporal 问题更明显，这和论文动机相符：这两类需要多条互补证据，或要在高度相似事件中识别时间差异。

6.3 PerLTQA：更长个性化记忆

image.png

Qwen3-8B 下，xMemory 的 BLEU、F1、ROUGE-L 都为表中最佳，且 token 最少。说明原则不仅适用于 LoCoMo 的多 session recall，也能迁移到更长、答案更自然的个性化 memory。

6.4 Retrieval-stage 消融

image.png

  • Memory-only 已优于 Naive RAG，说明将 history 改造成 segment-component-group 结构本身有价值。
  • Stage I 更善于高层选证据、压 token，但单独 F1 略低于 Memory-only，提示覆盖式骨架不能替代细节恢复。
  • Stage II 靠不确定性引导展开获得更高回答质量，但单独 token 略多。
  • Full 同时得到最高分、最低 token，说明两阶段互补：高层避重复，低层按需恢复细节。

6.5 Group size、动态重组与证据密度

Group size cap

image.png

作者使用 Fano-style routing argument 说明：候选集太大时，有限判别信号下路由错误增加；太小则相关事实被拆散。实证中每组 component 上限取 12 最佳，达到 34.48 BLEU、43.98 F1，实际平均每组 4.48 个 components。

Retroactive restructuring

image.png

关闭 split / merge 时，已有 components 永不重新归组：动态 reassignment ratio 为 0%，平均 F1 降至 38.59。完整系统有 44.91% 的既有 component 在后续插入中经历重新分组，平均 F1 为 43.98。

这说明可修订性不是装饰。新对话会改变旧事实应如何被高层组织。

Evidence density 与 coverage

LoCoMo 加 Qwen3-8B 中，要覆盖全部答案 evidence units，平均需要：

image.png

multi-hop 题中，xMemory 的 2-hit / multi-hit block 比例为 13.14% / 12.19%，Naive RAG 为 7.82% / 6.53%。这支持“不是只拿更少上下文，而是拿到更密集答案证据”的解释。

image.png

6.6 成本与效率

image.png

论文的 token / query 包含检索、回答和辅助调用，并且做了 memory construction 成本摊销后的 cost-performance 图。xMemory 的总体 trade-off 优于 Nemori、MemoryOS、A-Mem。

但应明确区分：

  • Query-time：高层骨架和按需展开减少给 reader 的上下文。
  • Construction-time：还需边界切分、LLM component 抽取、embedding、group 维护和 split / merge。

作者也承认：若记忆库建完后几乎不会被查询，简单 RAG 可能更划算。方法的收益取决于未来 query 数足以摊销整理档案成本。

七、总结

7.1 贡献

xMemory 的核心不是多做一层摘要，而是改变 Agent Memory 的主要检索单元：

不直接在相似的长叙事片段之间比谁更像 query，而是先将叙事拆成可独立比较的最小证据，再用可修订层级把它们组织和检索出来。

从 Agent Memory 角度，它形成一个比较完整的 write-organization-read 闭环：

  • 写入：切 segment、抽 component；
  • 组织：group、kNN、attach、split、merge；
  • 读取：覆盖式骨架选择，熵下降才向原文展开。

所以它比较侧重检索，但并非单纯 retrieval trick；它把检索质量前移到记忆写入后如何被组织的问题。

7.2 Novelty

首先是值得肯定的部分；

  • 抓住 Agent Memory 与普通 RAG 的真实差别：历史不是异质文档库，而是高度相关、反复更新的连续流。
  • “先解耦、后聚合”是清晰且可检验的原则，案例、消融和证据密度分析彼此呼应。
  • Source-linked component 同时兼顾高层索引和回原文核对，系统设计完整。
  • 覆盖式骨架选择加熵引导展开，让读写两端逻辑一致。

当然也有一些局限了：

  • Hierarchical memory、note 抽取、动态链接、split / merge、top-down retrieval 都有前人；亮点在于这一套组合及其 evidence-oriented 目标。
  • 高层分组由 embedding 和 LLM extraction 决定，优化目标无法保证 component 事实正确、完整或无冲突。
  • 熵下降只是 reader-internal proxy，不等于证据真实、答案正确或文本一定有用。

7.3 启发。？

  1. Conflict-aware xMemory：在 component 中加入来源、时间、置信度与冲突边，让旧偏好和新偏好可显式 belief revision。
  2. Learned expansion policy：将 Stage II 从 entropy heuristic 改为对 QA 效用、token cost、calibration 共同优化的 policy，处理黑盒 reader 和 proxy mismatch。
  3. Verified component extraction：保留原文引用、支持 / 反驳 span 和事实校验，避免优雅层级建立在错误 memory 上。
  4. Multi-modal and tool memory：把 component 扩到图像、网页状态、代码执行结果和工具 provenance，验证原则是否能超越对话任务。
  5. Cost-aware maintenance：让 split / merge 频率随预期未来 query 数、更新速率与缓存状态改变，回答何时值得为检索成本付出整理成本。

说些什么吧！

giscus