一分钟读论文：《记忆库原封不动，Agent 为何照样失忆》
内容提要
研究探讨模型升级对Agent记忆迁移的影响。固定schema的知识图谱迁移几乎无损，而自然语言笔记与模型强耦合，精度波动大。记忆持久性取决于表示格式。RAG损耗源于embedding版本，修复记忆库不如重写。结论基于小模型和合成数据，需谨慎推广。
延伸解读
记忆格式决定迁移成败
论文通过控制变量实验发现，Agent记忆的持久性主要取决于表示格式而非存储本身。固定schema的知识图谱在更换模型后精度几乎不变，而自然语言笔记则与模型强耦合，迁移后精度波动大。这表明，若需频繁升级模型，采用结构化表示可能更稳妥，但需注意实验基于小模型和合成数据，结论外推需谨慎。
RAG迁移的隐藏成本
RAG记忆库的损耗主要源于embedding版本不匹配。实验显示，新旧向量各半的混版索引仅获得4.96分提升，而全量重新嵌入则提升11.90分。这意味着，升级模型时若不同步更新向量索引，将损失大部分潜在收益。实际应用中，需权衡重新嵌入的计算成本与性能收益。
修复记忆库不如重写
针对记忆失效的修复实验表明，仅修改记忆库而不动模型，在所有48例中均未达到90%的恢复目标；而保留原始历史并重写记忆，在部分方向上成功恢复。这提示，当记忆笔记因模型升级而失效时，直接修复笔记效果有限，更有效的方法是回溯原始对话历史并重新生成记忆。
结论的边界条件
研究结论需谨慎解读：实验仅基于48条合成历史和小于10B参数的小模型，可能无法推广到前沿大模型和真实长期记忆场景。此外，方向不对称性表明结果依赖具体模型配对，且exact scoring可能放大开放任务的损失。论文为预印本，未经同行评审，应视为初步探索而非普适定律。
Q&A
模型升级后，Agent的记忆库原封不动，为什么还会出现记忆丢失？
因为记忆的持久性取决于表示格式，而不是存储本身。固定schema的知识图谱迁移几乎无损，而自然语言笔记与模型强耦合，精度波动大；RAG的损耗源于embedding版本不一致。
在模型升级时，哪种记忆表示格式的迁移损失最小？
固定schema的知识图谱（KG-fixed）迁移几乎零损耗，换写入模型后精度仅变化+0.0004 ± 0.0020。
自然语言笔记（NOTES）在模型升级时表现如何？
自然语言笔记与模型强耦合，精度随迁移方向摆动，具体表现为精度或升+9.91个百分点、或降-13.28个百分点，升级不保证更好，换错方向反而更糟。
RAG记忆库在模型升级时，为什么会有损耗？如何减少损耗？
RAG的损耗源于embedding版本不一致。新旧向量各占一半的混版索引只获得4.96分提升，而全量re-embedding的提升为11.90分。因此，全量重新嵌入可以显著减少损耗。
修复记忆库和重写记忆，哪种方式更有效？
只动记忆库、不动模型的store-only修复在全部48例中都未达到90%的恢复目标；而保留原始历史时，在一个被测方向上34/48例成功恢复。因此，找回原始证据重写才有效。
论文的实验设计和结论有哪些局限性？
实验基于48条合成历史与sub-10B小模型，可能无法外推到前沿大模型和真实长期记忆；KG-fixed的优势可能来自schema设计者预先注入的任务相关性；exact scoring对开放任务过于苛刻，可能放大NOTES的真实损失。此外，论文为预印本、未经同行评审，方向性结论只测了两个方向，不能写成普适定律。
