你的Agent根本沒在學習，它只是在翻筆記本

MemGPT、RAG、Reflexion、Voyager——當下幾乎所有主流的 agent 框架都把「檢索」當作預設的記憶機制。一個 Reflexion agent 積累了上千條自我反思，聽起來像是在「成長」，但每次新會話啟動時，底層模型的權重絲毫未動。它的檔案櫃越來越大，能力卻沒有任何提升。

這篇來自香港中文大學與浙江大學的論文，直接把這個現象定性為一個「範疇錯誤」：把備忘錄當成了大腦。論文從認知科學、形式化證明和安全性三個維度論證了一個核心觀點——當前所有已部署的 agent memory 都只是基於範例的查找，而非真正的記憶（基於權重的記憶），並且這種混淆帶來了可證明的能力上限、永久的「凍結新手」困境，以及不斷惡化的安全風險。

備忘錄與大腦：兩條結構性不同的路徑

論文提出了一個簡潔的分析框架：所有改變 LLM agent 輸出的技術，本質上只走兩條路。

(1) 改變 θ：透過預訓練、微調、強化學習等梯度更新修改模型權重，改變先驗分布 P(X|θ)。知識被壓縮進權重空間，模型可以重組規則來處理從未見過的輸入——這是「生成性」的。

(2) 改變 C：透過 prompt、RAG、MCP 工具調用、scratchpad 等方式向上下文視窗注入內容，讓生成條件變為 P(X|θ, C)。知識被壓縮為文本，容量受限於上下文長度 L，模型只能使用上下文中明確存在的內容——這是「檢索性」的。

當前所有已部署的 agent memory 都是 C-engineering。 MemGPT、RAG、Reflexion、Voyager，無一例外。agent 經歷前後，模型權重完全相同。

[表 1：LLM agent 的 memory 分類] 論文將 memory 分為四類：工作記憶（上下文視窗，僅限當前會話）、情節記憶（外部儲存，跨會話，基於範例泛化）、語意記憶（模型權重，永久，基於規則泛化）、經驗記憶（模型權重，永久，透過微調/持續學習更新）。所有當前 agent 系統都只佔據情節記憶這一列，經驗記憶在已部署系統中系統性缺失。

論文用了一個精準的類比：一個人把教訓記在日記本裡，只有翻開日記且情境足夠相似時才能想起來；而一個真正內化了教訓的人，隨時隨地都能調用。當前的 agent memory 就是前者。

可證明的泛化天花板：檢索永遠追不上權重學習

論文的核心理論貢獻是一個「組合樣本複雜度分離定理」。設領域中有 k 個基礎概念，組合算子 ⊕ 將概念對映射到正確輸出。論文證明：

對於檢索系統，要在組合性新任務上達到 1−δ 的準確率，需要儲存的組合範例數 nR = Ω(k²)——本質上要窮舉覆蓋所有概念對。而參數化系統（微調後的權重）只需 nP = O(d/δ) 個範例，其中 d 是組合算子的 VC 維度。兩者的樣本複雜度比值為 Ω(k²/d)。當 d=O(k) 時比值為 Ω(k)，當 d=O(1) 時比值高達 Ω(k²)。

這個定理的關鍵假設是：凍結模型在給定 K 個上下文示例後，對未見過的組合對的準確率 α̅ < 1。論文在附錄中透過 Fano 不等式證明，只要算子類的複雜度滿足 log|H| > K·log|Y|，這個假設本身就是一個定理，而非經驗假設。

增大上下文視窗無法消除這個差距。 更長的上下文只能略微提升 α̅，但 Ω(k²) 的覆蓋需求始終存在。Paulsen [2026] 的實驗表明，即使模型支援 128k token 的上下文，有效利用率在約 20k token 處就已飽和。

經驗證據與理論預測一致：Ovadia et al. [2024] 發現 RAG 擅長稀有實體召回，但無法提升超出基礎模型能力的組合推理；Yao et al. [2026] 直接對比了將反思經驗儲存在外部 vs 編碼進權重的效果——參數化儲存全面優於外部儲存，且差距恰好在需要遷移到未見過的問題類型時增大，完全符合定理預測。

凍結的新手與不斷惡化的安全漏洞

泛化天花板是靜態的限制，而「凍結新手問題」描述的是動態後果：每次會話都從相同的凍結權重開始，agent 永遠在執行 .predict(C)，從不執行 .train()。認知科學中最穩健的發現之一是，專家與新手的區別不在於儲存了多少案例，而在於知識表徵的結構性重組——物理學新手按表面特徵分類問題（「斜面問題」），專家按深層原理分類（「能量守恆問題」）。純檢索 agent 永遠無法完成這種重組。

安全層面的問題同樣嚴峻。沒有持久 memory 時，一次 prompt 注入只影響當前會話。有了 agent memory，注入內容被寫入儲存，在此後每次會話中都會被檢索出來——一次性攻擊變成了永久性妥協。MINJA 攻擊實現了 98.2% 的注入成功率，注入指令跨會話持續生效且對正常功能影響極小；PoisonedRAG 表明，針對每個目標查詢僅需 5 條 對抗性文本，就能在包含數百萬條目的知識庫上達到 90% 的攻擊成功率。隨著互動次數 N(t) 增長，被攻破的機率 P(compromised by t) = 1−(1−p₀)^N(t) 趨向於 1。

出路：建造「鞏固通道」

論文的處方不是拋棄檢索，而是補上缺失的另一半。生物智慧的解決方案是 CLS（互補學習系統）理論：海馬迴負責快速的情節儲存，新皮質在睡眠期間將其鞏固為緩慢的、分散式的、基於規則的表徵。當前 AI agent 只實現了海馬迴那一半。

論文向三個社群分別提出了明確要求。對系統構建者：必須建立從情節儲存到模型權重的鞏固通道，具體機制可以是週期性微調、知識編輯、測試時訓練或從 trace 自蒸餾，關鍵是這條通路必須存在且非同步運行。所需的構建模組——LoRA、SSR、MEMIT、TTT layers——已經存在，這是設計選擇而非可行性障礙。對基準設計者：應當衡量 CGT（組合泛化隨時間的變化）——agent 處理新概念組合的能力是否隨經驗提升？純檢索 agent 在這個指標上應該是平的。對持續學習社群：agent 場景恰好提供了持續學習方法所需的一切——帶獎勵標籤的自然經驗流、明確的泛化標準和即時的實用價值。

agent 並沒有獲得更好的記憶，它們只是獲得了更好的歸檔系統。更好的歸檔不能造就專家，權重鞏固才能。