长期记忆

当 Agent 需要完成多轮研究、资料较长或涉及中断恢复时，真正影响结果稳定性的，往往不是模型是否“知道”，而是模型在当前一轮能看到什么、这些材料是否有效、后续能否被回读和验证。

本文以订单助手连续对话为例，拆解 Agent 的上下文组装、窗口预算、摘要压缩、长期记忆与多实例会话恢复，说明 Agent 工程落地的关键问题。

传统RAG擅长即时检索，却难以沉淀长期经验。Hindsight通过仿生记忆结构、动态反思机制和MCP支持，尝试为Agent建立可持续演化的长期记忆能力。

剑桥大学研究者提出“无限参数LLM”：不把运行时信息持续塞进上下文，而是在会话中动态生成并调整权重补丁。该机制可减少重复读取上下文的成本，为长期记忆和参数化知识更新提供新路径，但泛化能力、等算力成本、可审计性和生产安全仍是待解问题。