一分钟读论文：《Remember When It Matters：长程Agent的主动记忆干预》
内容提要
Meta AI提出主动记忆干预新范式，解决长程Agent中决策信息被遗忘的问题。通过双Agent架构，记忆Agent选择性注入提醒，在Terminal-Bench 2.0上提升Claude Sonnet 4.5准确率8.3个百分点，在tau^2-Bench上提升6.8个百分点，验证了主动干预优于被动检索。
延伸解读
行为状态衰减：长程Agent的隐性失败模式
论文指出，长程任务中关键信息虽仍存在于上下文窗口，却因自回归生成的特性而逐渐失去对后续决策的影响，作者称之为“行为状态衰减”。这并非信息丢失，而是模型未能主动引用早期信息。传统方法依赖增强检索，但实验表明被动暴露效果有限，这提示开发者需关注信息在决策循环中的实际影响力，而非仅确保其可访问性。
主动干预优于被动检索：对记忆增强设计的启示
研究通过对比主动注入提醒与被动暴露历史等基线，发现选择性干预显著更优。这挑战了当前主流记忆增强方案的设计假设——仅提升检索能力可能不足以解决长程遗忘问题。对于构建长程Agent的开发者，这意味着记忆系统应具备主动判断何时注入关键信息的能力，而非仅仅作为被动的存储库。
双Agent架构的实践价值与局限
将记忆功能独立为记忆Agent，与行动Agent并行运行，实现了监控、评估、注入的闭环。实验显示，在Terminal-Bench 2.0上提升8.3个百分点，在tau^2-Bench上提升6.8个百分点，且对更强行动模型仍有增益。但该架构增加了系统复杂度，且记忆Agent的决策质量依赖训练数据，初步微调结果提示其仍有优化空间。
Q&A
这篇论文提出的核心方法是什么？
论文提出了一种主动记忆干预范式，通过双Agent架构（行动Agent和记忆Agent）实现。记忆Agent不仅存储和检索信息，还主动决定是否向行动Agent注入提醒，以解决长程任务中决策信息被遗忘的问题。
什么是行为状态衰减？
行为状态衰减是指随着任务步骤增多，早期决策中的关键信息虽然仍存在于上下文窗口中，但不再可靠地影响后续决策的现象。这是自回归生成Agent的固有缺陷，因为每一步决策只受最近几轮上下文的直接影响。
主动记忆干预相比被动检索有什么优势？
实验表明，被动暴露信息的效果远不如主动干预。即使信息可以被检索到，如果系统不主动将其注入决策流程，它仍然会被忽略。主动干预能显著提升长程任务的准确率。
双Agent架构是如何工作的？
行动Agent负责执行任务动作，记忆Agent定期从近期轨迹中提取关键信息并更新结构化记忆库。记忆Agent还决定是否向行动Agent注入提醒，通过监控、评估重要性、选择性注入三个步骤实现。
在Terminal-Bench 2.0上，主动记忆干预带来了多少提升？
在Terminal-Bench 2.0上，Claude Sonnet 4.5配合主动记忆干预后准确率从37.6%提升至45.9%，增幅达8.3个百分点。
消融实验验证了哪些组件的贡献？
消融实验验证了选择性干预模块是最关键的创新点，结构化记忆库相比非结构化存储也有稳定增益。
主动记忆干预的效果是否依赖于行动模型的能力？
不依赖。即使使用更强的行动Agent（Claude Opus 4.6），系统仍分别获得2.4和2.5个百分点的提升，说明记忆干预的效果不依赖于特定行动模型的能力上限。
