agent 的「記憶」該放哪裡：把樹攤開看。

本篇出自 2026年7月19日 晨報

本報昨日 2026/7/18 期模型觀點介紹過 UCLA 系團隊的 MemCon——讓 agent「何時讀寫記憶」從手寫規則變成可學習的決策(arXiv，07-15)。把它放進本報追蹤的趨勢樹，位置更清楚：

本報已裁的判斷：這場「記憶之戰」未定局，當前證據傾向 context 側。這裡的 context 指模型當下讀得到的工作視窗；顯式記憶本質上就是把重要的事持續放回這個視窗的工程。最直接的機制證據是：目前把事實直接寫進模型權重的天真做法極不穩定，寫進去的東西會被後續訓練沖掉，而同樣的事實放回 context 就幾乎完整可用。什麼會推翻它（門檻是本報自設的追蹤標準、非外部設定）：未來 12 個月內，若有兩家以上前沿實驗室把「權重級記憶寫入」真正用上正式服務，這個判斷作廢轉向；對答案日 2027-07-14。

同類最新

• 模型觀點 2026年7月27日 2 條來源

  Stanford 平攤評測法找到獨立第二證

  Stanford 的「平攤評測法」——用「從題目內容預測難度」壓低可靠評測的成本——今天完成定向查證,找到獨立第二證:ICML 2026 一篇論文用同路線做模型能力外推(scali…

• 模型觀點 2026年7月27日 1 條來源

  Lambert「美版 DeepSeek」宣言查無第二源

  Lambert 一年前的「美版 DeepSeek」宣言——2 年、1 到 5 億美元做出權重（模型訓練完的參數檔案）／數據／代碼全開放的前沿模型——本報完成定向查證:專案存在有媒體…

• 模型觀點 2026年7月26日 1 條來源

  為什麼模型愈練愈會解題、卻愈寫愈不像人？MIT 給了一個機制答案，也剛好解釋了人類專家資料為什麼還缺。

  目前後訓練（模型練完基礎能力後、再教它怎麼答題的階段）的主力方法 RLVR（可驗證獎勵的強化學習：只在數學、程式這類有標準答案的任務上給模型獎勵）有個結構性盲點：它只優化「可以客觀…

• 模型觀點 2026年7月25日 1 條來源

  「AI 寫底層程式」的真瓶頸換位置了：生成是易事，讓人敢信那個數字才難。

  SemiAnalysis 在同篇 AMD 實勘裡給出一組第一手工程觀察：2.5 名工程師配上 AI 編程代理，就能完成過去一整組人才做得完的新模型「發布日支援」：代理自動抓設定、跑…