搬家清单上那道没人算过的题

搬家清单上那道没人算过的题

——The Value of Memory in Language Agents：给记忆明码标价 · 记忆管理学三部曲之三

📦 一、搬家前夜

你站在客厅里，四周摊着空纸箱。明天搬家，今晚必须做一个决定，关于每一样东西：带走，还是扔掉。

有些东西好办。那口炒锅，上周还用过，新家的灶台等着它——带走。那捆四年没拆封的弹力带——扔。难的是中间地带：大学时的笔记本，里面夹着一页某次讲座的手写提纲。你可能这辈子再也不会翻开它，可如果哪天要写那个方向的文章，这页纸就是你唯一的线索。扔，还是不扔？

搬过家的人都知道，这道题有一道心算公式：将来需要它的概率，乘以找不到它的损失；再对比保留它的成本，乘以将来重新弄到它的容易程度。 概率大、损失惨、成本低、好补办——装箱。概率小、损失轻、占地方、补办易——扔。几乎人人都在这么算，只是算在潜意识里，算得飞快。

这篇论文的作者想说：过去两年里，给 AI agent 设计记忆系统的人，大多数没有在算这道题。

agent 的记忆研究热得发烫。向量数据库、记忆图谱、分层摘要、情景回放……每一套方案都在回答"怎么存"。而 MemTensor 与上海交通大学的六位作者，在 2026 年 10 月的这篇论文里，问了一个更让人难堪的问题：存了，值吗？

他们给记忆标价的方式，是决策理论（decision theory）——那套被经济学和统计学打磨了一个世纪的思想工具。等他们算完，你会得到三个让你后背发凉的结论：一条对答案零信息量的记忆，可能价值连城；一份塞满一切的完整记忆，可能输给一张四页纸的账本；而你在基准测试上测出来的"记忆价值"，可能有一大块不属于 agent，而属于你的尺子。

先从客厅走出去，看看 agent 的世界乱成了什么样。

🏗️ 二、所有人都在加仓，没人看价格

先说行业现状。

今天的语言 agent 早就不是"一问一答"的聊天框了。它们跨对话、跨项目、跨目标地工作：上周帮你做审计，这周帮你写报告，下周的任务是什么，连你自己都还不知道。记忆——把过去经验里有用的部分带到未来决策里去的能力——被公认为 agent 进化的下一个关卡。于是所有人都往记忆里冲，方向出奇一致：把更多东西存下来，存得更久，检索得更准。

论文作者观察到的却是一个基础性的空白：这个领域有度量、没货币。 大家测的是"记住了吗"——检索命中率、问答 F1、长上下文里的 needle-in-a-haystack。但两个系统可以命中一样多、成本差十倍；也可以烧掉一样的 token，一个帮用户省了大事，另一个帮了倒忙。没有一个统一的计价单位，"这套记忆系统比那套好"就是一句语法正确、语义空洞的话。

这篇论文选的货币单位朴素得近乎固执：避免掉的任务损失（avoided task loss）。记忆值多少钱，不看它装了多少字节，看它让 agent 少犯多少错——跟搬家时那道心算公式是同一个思路：概率乘以损失。为了算到底，作者把"价值"这个词拆成三层，一层一层地剥。

🧮 三、三层价格标签

**第一层：原始价值 V\*(H)。 把 agent 的完整历史 H 摆在面前，最优决策者能比你从零开始少承担多少风险——这个差值，就是这段历史的原始价值。用搬家打比方：旧宅里所有东西，对一个理想的新生活而言，总共值多少。

第二层：保留价值 V\*(M)。** 现实中你不可能把旧宅整个搬走，你只能装箱。存储状态 M 就是那只箱子——它是历史的一个压缩映射，M = f(H)。装箱必然丢东西，论文把这个损失写成一条干净的会计恒等式：

V\*(H) = V\*(M) + D\*(M)

历史总共值多少，等于箱子里带走的，加上扔在楼下垃圾堆里的。D\*(M) 就是压缩的代价。这条恒等式的锋芒在于：它让"扔了什么"从糊涂账变成可逐项核对的发票——很多系统宣称的"无损压缩"，代入这个式子，立刻变成可检验的命题。

第三层：实现价值 V_π(M)。 这是最容易被忽略、也最残酷的一层。箱子运到了新家，不代表里面的东西你真用得上。给定一个具体的 reader π——那个真正读记忆、做决策的模型——实现价值定义为 R(π, ∅) − R(π, M)，即"有这只箱子"比"没这只箱子"少承担的风险。这一层可以为负：箱子塞得太满、太乱，agent 翻箱倒柜时被噪声淹没，反而比空手做得更差。论文顺势定义了实现遗憾（implementation regret）：G_π(M) = R(π, M) − R\*(M) ≥ 0——箱子本来装了好东西，可你翻不到、不会用，这部分损失记在你头上，不记在箱子头上。

三层之间，价值像过三道筛子：历史 → 箱子 → 上手。每一道筛子都漏，漏法各不相同。只看第一层，你会迷信"存得越多越好"；只看第二层，你会迷信"压缩得越聪明越好"；只有追到第三层，你才被迫面对真正的问题：这个 bounded agent——上下文有限、注意力有限、会犯懒、会走神——到底能不能把箱子里的东西变成答案。

作者还补了一刀：比较必须公平。 记忆系统 Σ 包括写入、存储、索引、恢复、修订、读取、失败处理七个环节。比较两个系统，必须锁死同一个 reader、同一个访问策略、同一个环境规则 K，否则你分不清是箱子好，还是开箱的人手气好。后面 LoCoMo 那八组对照的严格，根源就在这里。

⚡ 四、五个思想实验，两次雷击

理论搭完，作者不急着跑大实验，先亮了五把短刀——五个最小反例（minimal counterexamples），每个只需几个比特就能构造，各自拆掉一种流行的直觉。前两把最反直觉，值得慢下来看。

反例一：查询时机。八个比特与七个比特的差价。

有 n 个互相独立的比特，未来的查询会挑其中一个，让你报出它的值。如果写入者先装箱、后看订单——不看查询就压缩——要保证零误差，箱子里必须装下全部 n 个比特。但如果允许写入者看到查询再编码，只需要 1 个比特就够：把目标比特挑出来，装走。

n = 8 时，差值是 7 个比特——容量需求相差八倍，而区别仅仅在于装箱的人有没有提前看一眼你将来要什么。这个反例拆掉的直觉是"记忆的容量需求是任务本身的属性"。不是。它取决于信息的时间结构：先写后读，还是读了再写。所有"离线压缩一次、终身服务"的记忆架构，都悄悄站在了昂贵的那一侧。

反例二：零互信息指针。"第几页"比"号码本身"更值钱。

这是全篇最漂亮的一个构造，请允许我慢慢讲。

有 N = 4 个不透明的地址，每个地址里存着一个随机比特。查询指定其中一个地址，答案是那个比特的值。现在给你一条记忆 M = J——只有一个数字：目标地址的编号。注意：这条记忆对答案的互信息为零。 I(M, Y) = 0。知道"答案是三号地址里的比特"，对你猜"这个比特是 0 还是 1"毫无帮助——比特是公平的硬币，地址号推不出币面。按信息论的朴素标准，这条记忆是废话，是纯噪声。

但把它放进决策里，奇迹出现了。没有这条指针，你要在四个地址里翻，预算只够读一次时，期望风险是 3/8。有了这条指针，一次读取，指哪打哪，风险从 3/8 直接降到零。期望值上，无指针时平均要翻 (N+1)/2 = 2.5 次才能找到目标，有指针只需 1 次。

搬到生活里：你记不住任何一位朋友的电话号码——那些数字和你的大脑之间互信息为零。但你"知道号码存在通讯录第几页"。这个"第几页"，就是指针。 按信息论它是零信息，按决策论它把一次精确恢复的成本从碰运气变成了伸手可及。所有的索引、目录、书签、引用——agent 记忆系统里成千上万条"某某事记在某处"的记录——都是零互信息指针。它们在信息论的账本上不值一分钱，在决策论的账本上价值连城。论文用四个比特，把这个事实钉死在黑板上。

反例三：记忆与 reader 互补。 空记忆配一个只会瞎猜的 reader，风险 1/2；答案写进记忆但 reader 是瞎猜的，风险还是 1/2；答案在记忆、reader 也有能力解读，风险归零。联合提升 1/2，但功劳怎么分？归因顺序不同，分法完全不同。拆掉的直觉是"提升可以线性归因于某个组件"——记忆和 reader 是乘法，不是加法。

反例四：交互反馈能反转排名。 两个策略在强制 replay 下表现一模一样（风险都是 1/2），换到两种真实交互环境里，排名完全相反。拆掉的直觉是"离线 replay 分数可以外推到在线交互"。离线测的是"在给的题上答得对吗"，在线比的是"少说了多少句澄清的话"——要测后者，你必须把"对方会怎么追问"这个过程本身建模进来。

反例五：未知需求下，排名不唯一。 M_A 存比特 A，M_B 存比特 B，未来查询问 A 的概率 p 落在 [0.2, 0.8] 之间。两条记忆的相对价值集合是 [−0.3, 0.3]——每个需求律下都各有胜者。想排出唯一的名次？可以，但你得额外承诺一个立场：押最坏情况，还是押某个先验。不选立场，任何"我的记忆方案最优"的宣言都只是挑了一个对自己有利的 p。

五把刀，五个被拆碎的直觉。它们共同的潜台词是：记忆的价值不是一个数，而是一张函数——随着查询时机、reader 能力、反馈过程、需求律变化的函数。接下来的实验，就是把这张函数画出来。

📉 五、97,355 字节的败局

现在进实验室。第一组实验在 LoCoMo 上进行——一个多会话对话理解基准。4 段对话，历史跨度 19 到 31 个 session，每段对话出 3 类问题各 1 个（single-hop、temporal、multi-hop），共 12 题。写入者和读取者都锁死同一个模型（deepseek-v4-flash-0731）；账本（ledger）上限 4,096 UTF-8 字节，BM25 恢复上限 4,096 字节。八组条件，张张见骨：

账本加恢复的全部物料，不到完整历史的百分之九。信息少了九成，F1 却是前者的 2.7 倍。

这就是三层框架预言过、而多数人不敢相信的那一幕：更多信息 ≠ 更好的决策。 九万字节压在上下文里，bounded reader 根本消化不动，有效信息被噪声稀释成了浆糊——实现价值为负的那一幕，就发生在这张表里。0.123 对 0.329，这不是"压缩技术好"，这是"把该留下的留下、把该扔的扔掉、并给将来留一条找得回的路"的决策价值。

再读另外三行，每一行都在补一刀。

"仅恢复"那行（0.280）：不做账本，只从完整档案里检索，效果立刻回落。说明价值不在检索管道本身，在写入时的取舍。

"标注证据参考"那行：只给 759 字节的标注证据，F1 = 0.333，和账本方案几乎打平。真正支撑决策的 distinctions，可能就值这七百多个字节——其余九万多字节，在这个任务上是纯粹的库存：没分拣，所以用不上。

最后一行是全表最深的一刀。完整历史 + 短答指令：同一个 reader，同一份九万字节的完整历史，只在提示里加一句"请简短作答"，F1 从 0.123 跳到 0.512，弃权从 10 题归零。记忆一个字没变，reader 还是那个 reader——变的只是读取的方式。0.123 和 0.512 之间那道鸿沟，一大半不是记忆的账，是实现遗憾的账。第三层价值框架要是没用，这张表就是一堆矛盾；它有用，每一行都有了唯一的读法。

📏 六、17.9 个百分点：你的尺子值多少钱

第二组实验更冷峻，因为它动摇的不是某个系统，而是评测这件事本身。

作者构造了一个双项目更新任务：Cedar 是一个审计加实验项目，Birch 是一个报告项目。agent 要执行 4 种更新状态（2 次全量重写，2 次定向更新），每个工件上限 1,024 字节，然后由 reader 评估 28 次。评估规则有两把：严格操作规则——按规程逐条验收，通过了 17 个工件；后果检查——不只问"规程走完没有"，还问"这个改动带来的后果站不站得住"，通过了 22 个。

5/28 = 17.9 个百分点。agent 的输出一个比特都没动，动的只有评分标准。数字却像换了台机器。

论文还附赠了三个纵向失败案例，每个都像一个具体的搬家事故。

案例一：容量顶罪。 检索辅助修订改善了研究规划的支撑材料，却把另一个项目报告的状态弄丢了。作者事后把丢掉的内容补回去——仍然在上限以内。也就是说，删除不是容量逼的，是写入者的选择。多少记忆系统把"我们塞不下"当借口，而这个案例告诉你：先别怪箱子小，怪装箱的人没算账。

案例二：没有证据的"完成"。 一次修订没有引入任何新证据，却声称之前的修订已经完成——而这个说法恰好和历史标签对得上。评分系统一看，答案对，记为成功回忆。答案对，证据缺。 换成搬家的语言：你问室友"那箱书打包了吗"，他答"打包了"——后来你发现他只是在复述你三个月前说过的话，那箱书还在客厅中央。

案例三：正确的读出，无效的编辑。 reader 正确恢复了报告标识符，却提议替换一个仍然有效的引用。状态读对了，动作是错的——缺的是"源、位置、理由"之间的关系记忆：那条引用为什么存在、挂在哪句话上、动了它会连累谁。

三起事故加一组数字，指向同一个教训：我们在基准上测到的"记忆价值"，混杂着三件事——记忆本身的价值、reader 实现的价值、评分规则的价值。后两件不动，第一件的天平再精密也是白费。17.9 个百分点这个数，是论文给所有基准设计者的一面镜子：先校准你的尺子，再称你的金子。

🧭 七、三条设计假设：给搬家的人三句叮嘱

理论、反例、实验全部走完，作者收束成三条可操作的设计假设。它们读起来像给搬家的人三句叮嘱。

假设一：后果感知分配。 别把记忆资源按"出现频率"分配——出现最多的东西未必最要紧——要按错误的赌注分配。论文给了一个记账不等式：当

c_keep + p(c_use + r_k·L) ≤ c_idx + p(c_read + [q + (1−q)·r_r]·L)

时，就该把东西留在记忆里，而不是指望将来重新索引。翻译成搬家语言：留着的成本（箱子空间 c_keep，加上将来可能要用它的概率 p 乘以翻箱成本与失手损失 r_k·L），如果小于"扔了、将来再补办"的成本（重新找线索的成本 c_idx，加上读取成本与更可能失手的损失），就装箱。四个变量——错误风险、恢复可靠性、reader 使用可靠性、保留成本——一个都不能省。

假设二：可恢复性。 在同等资源预算下，保留一条有价的恢复路径，胜过一切不可逆的摘要。 账本 + 恢复（0.329）打赢完整历史（0.123）靠的不是压缩魔法，是它给将来留了一扇可以重新打开的门。扔掉之前问一句：这条路将来还能找回来吗？找不回来的删除，是赌博；找得回来的删除，才是整理。

假设三：依赖导向修订。 修订要沿着证据的依赖关系走——源在哪、对象是谁、哪个版本、理由是什么——而不是沿着文档边界走。文档 A 改了，别只检查文档 A；所有挂着文档 A 这条证据的论断，都值得重新过一遍。搬完书房别忘了检查客厅：那幅画挂在书房的钉子上。

🔭 八、三部曲之三：给前两篇算账

该收尾了。这三篇"记忆管理学"连起来读，才完整。

第一篇 Muffin 问的是agent 之间：把经验分享出去的时候，该分享什么？答案是"发现"——比原始轨迹粗，比最终结论细，刚好卡在一个别人接得住、用得上的尺度。第二篇 Subgoal 问的是agent 自己：经验该切成多大一块存？答案是"子目标"——比一次点击厚，比整个任务薄，刚好卡在一个能复用、能组合的尺度。两篇论文，一个管交换，一个管整理，做的其实是同一道判断题：哪些 distinctions 应该活下来。

但两篇都只给了答案，没告诉你怎么判对错。"发现"比"轨迹"好多少？"子目标"比"动作"好多少？前两篇用基准分数说话——45.30% 对 30.77%，+19.2 个准确率点——而基准分数是上面那面镜子：它照出的不只是记忆的价值，还有 reader 的实现、评分规则的偏好。这篇论文把镜子拆开，告诉你三部分各值多少：原始价值是上限，保留价值是发票，实现价值才是到手——它可能是负的，也可能因尺子而异。

所以三篇合起来的完整图景是：先想清楚哪些 distinctions 值得跨时间带往未来（发现、子目标），再给这个决定记账——记它躲掉了多少损失（本篇的三层框架），最后检查账有没有记歪（本篇的评测批判）。三部曲从"怎么存"出发，途经"存多大"，终于落到"值多少"。记忆研究的热闹到这里补上了最后一块、也是最冷的一块拼图：价格是选择的语言，而选择是记忆的全部内容。

回到搬家前夜。你最终会明白，那道心算公式从来不是关于扔东西的——是关于你打算让未来的自己过一种什么样的生活。agent 的记忆系统也一样：九万字节的全量囤积，是一种对未来的不作为；一张四千字节的账本加一条找得回的路，是一种对未来的承诺。MemTensor 与上交大的这篇论文把这层窗户纸捅破了：记忆管理的本质不是仓库管理，是决策管理——只不过决策的对象，是时间深处那个还没开口的自己。

扔东西之前，先算账。这条家规，agent 也该学学。

📚 参考文献

• Lin, Z., Zhu, E., Hu, H., Hao, X., Li, C., & Chen, K. (2026). *The Value of Memory in Language Agents*. arXiv:2610.31303v1 [cs.AI, cs.CL]. MemTensor · Shanghai Jiao Tong University · HKUST(GZ). Published 2026-10-22. 19 pages, 3 figures, 5 tables.
• 实验一（LoCoMo 诊断）：4 段对话 × 12 题；历史跨度 19–31 个 session；写入者/读取者 deepseek-v4-flash-0731；账本上限于 4,096 UTF-8 字节，BM25 恢复上限 4,096 字节。
• 实验二（双项目更新）：Cedar（审计+实验）与 Birch（报告）两项目；4 种更新状态（2 全量重写 + 2 定向更新）；单工件上限 1,024 字节；28 次 reader 评估：严格规则 17 个通过 vs 后果检查 22 个通过，差 5/28 = 17.9 个百分点。
• 三条设计假设：后果感知分配（分配不等式 c_keep + p(c_use + r_k·L) ≤ c_idx + p(c_read + [q + (1−q)r_r]·L)）；可恢复性（保留有价的恢复路径优于不可逆摘要）；依赖导向修订（沿源、对象、版本、理由的证据依赖，而非文档边界）。
• 系列位置：记忆管理学三部曲之三。之一：Muffin（"发现"粒度的价值）；之二：Subgoal-aware Memory Graph（"子目标"粒度的价值）。