Agent的"健忘症"该怎么治？
Meta提出主动记忆Agent，让长程任务不再丢状态

论文解读：Remember When It Matters: Proactive Memory Agent for Long-Horizon Agents (arXiv: 2607.08716)

核心观点：长程Agent的失败往往不是因为"记不住"，而是记忆虽然还在context里，却不再影响决策。Meta AI提出将记忆重新定义为主动干预策略——一个独立的记忆Agent管理结构化状态库，并精准选择何时介入执行Agent的决策流。在Terminal-Bench和τ²-Bench上带来+6.8~8.3pp的提升。

行为状态衰减：一个被忽视的致命缺陷

LLM Agent在多步任务中经常出现这种失败模式：Agent在第五步发现了一个关键信息（比如某命令不能用、某API有限制），但到了第三十步完全遗忘，重新踩同一个坑。信息可能还在context window内，但不再驱动行为。

Meta的团队把这种现象命名为行为状态衰减（Behavioral State Decay）。这个区分很关键：很多memory系统关注"能不能存和检索"，但本论文指出更本质的问题是——记忆什么时候应该介入控制流？

记忆即干预：两阶段架构

核心思路：记忆不是存储问题，而是干预问题。一个独立的记忆Agent与执行Agent并行运行，完全不修改执行Agent。

图1：记忆干预架构总览。记忆Agent作为独立进程运行，通过两阶段工作流管理记忆并决定是否干预。

第一阶段：结构化记忆管理。通过预定义工具调用来维护三部分记忆库——

私有状态（进度、风险，不对执行Agent可见）
知识记忆（稳定事实：任务需求、环境特性、路径）
过程记忆（尝试与结果：失败命令、成功修复、诊断结论）

第二阶段：选择性干预。基于更新后的记忆库，记忆Agent要么发出精准提醒注入到执行Agent的下一次调用，要么选择沉默。沉默是显式决策——过多干预反而干扰局部进度。

记忆Agent内部工作流：Phase 1管理记忆库，Phase 2决定是否干预。

消融实验：选择性干预的价值

在τ²-Bench上用Sonnet 4.5作为执行Agent的消融结果：

配置	记忆管理	干预方式	Macro平均
完整记忆Agent（本文）	结构化管理	选择性提醒/沉默	64.3%
被动暴露全部记忆	结构化管理	全部暴露	61.5%
每步强制注入	结构化管理	必须提醒	63.5%
无记忆库纯指导	跳过	advisor式指导	61.0%
Mem0通用记忆	Mem0 ADD	向量+BM25检索	62.1%

关键发现：被动暴露全部记忆不如选择性干预（-2.8pp）；纯advisor指导在某些领域甚至低于baseline；每步强制注入在macro平均上不如选择性沉默。干预校准本身是需要学习的策略。

主实验结果

用Claude Opus 4.6作为记忆Agent，两种执行Agent的pass@1提升：

Benchmark	执行Agent	Baseline	+Memory	提升
Terminal-Bench 2.0	Sonnet 4.5	37.6%	45.9%	+8.3pp
Terminal-Bench 2.0	Opus 4.6	43.5%	45.9%	+2.4pp
τ²-Bench (加权)	Sonnet 4.5	55.0%	61.8%	+6.8pp
τ²-Bench (加权)	Opus 4.6	66.2%	68.7%	+2.5pp

弱模型增益更大，但强模型仍有提升——收益不只是弥补能力不足。

开源记忆策略的初步探索

用SETA数据集对Qwen3.5-27B做SFT+GRPO训练。SFT教会接口和基本纪律（精炼写入、更新过期状态），GRPO进一步校准干预时机。验证集reward有提升，且能部分迁移到Terminal-Bench。记忆干预策略可以被蒸馏到开源模型中。

启示：旁路Agent范式

这篇论文提出了一种通用的"旁路Agent"范式——用独立的、有明确职责边界的Agent处理执行Agent的某个维度，而不修改执行Agent本身。这种关注点分离的工程哲学，比把所有能力塞进一个模型要实用得多。对OpenClaw这类multi-channel agent gateway来说，记忆管理完全可以作为独立模块plug-and-play接入。