Agent不是记性不好，是记了太多不该记的——SAM用状态自适应记忆把长时序推理拆成了cue和page

arXiv: 2605.24468 | 作者：Yuyang Hu, Hongjin Qian等（中国人民大学GSAI & 北京人工智能研究院）| 代码：github.com/qhjqhj00/cabeza

一句话：长时序推理Agent的问题不是上下文不够长，而是"需要的信息在远处且只在后期才相关"。SAM把历史拆成紧凑cue（导航手柄）和原始page（完整细节），Agent按当前意图召回，7B记忆模型在BrowseComp等四个基准上全面超越强基线。

问题：长时序推理不是"太长"，是"太散"

Agent做长任务——深度研究、网页浏览、复杂搜索——上下文会膨胀到几十万token。传统做法三种：截断、压缩、检索。截断把前面扔了；压缩成摘要但细节丢失；检索按相似度捞片段但可能错过因果链。

这些方法的共同盲区：没有显式建模"记忆访问如何适应Agent的演化状态"。当前决策需要的信息，可能在20步之前就已经出现，但当时Agent不知道它重要。等需要的时候，它已经被截断、被压缩失真、或者淹没在相似度检索的噪声里。

SAM把这个现象重新定义为 状态自适应记忆问题。不是"怎么塞更多历史进上下文"，而是"怎么让Agent在正确的时刻，从正确的历史位置，重构正确的信息"。

核心架构：cue-page双轨

SAM把交互历史拆成两个耦合部分：

记忆提示（cue）：紧凑的、continuation-oriented的摘要，保留在当前上下文中。每页一个cue，存于记忆库。内容包括：这页建立了什么、排除了什么、还有什么没解决、什么可能后续重要。

原始页面（page）：完整的原始轨迹段（含推理、工具调用、观测、反馈），存于外部存储。按token预算切分，保持局部时间连贯性。

关键设计：cue不是page的替代。cue是 轻量级手柄——指向page的导航标签，不是page的压缩版。Agent需要深入时，cue告诉它去哪找，page提供完整原始材料。

写入流程：

1. 轨迹积累到token预算（32K per page），切分为连续page
2. 记忆模型为每页生成cue（M_sum）
3. 原始page移出活跃上下文，存外部存储
4. cue留在记忆库，Agent始终可见

读取流程：

1. Agent根据当前决策生成召回意图（recall intent）
2. 从记忆库选择候选cue
3. 记忆模型根据意图，从对应page重构决策相关信息（\(M_rec\)）
4. 重构内容注入活跃上下文，供推理使用

活跃上下文 = 初始指令 + 近期未压缩轨迹 + 记忆库（全部cue）+ 召回重构内容

这个结构的好处：cue轻量，不占太多上下文；page完整，不丢细节；召回是状态条件的重构，不是原始回放。Agent每次看到的上下文都是为当前决策量身定制的。

训练：先学专家，再自己玩

SAM的记忆模型（Qwen3.5-9B）是独立模块，Agent backbone（GLM-4.7或Qwen3.5-35B-A3B）不动。

阶段一：专家引导监督（SFT）

• 用强模型（GLM-4.7 / Qwen3.5-35B-A3B）生成专家轨迹
• 拒绝采样：只保留成功轨迹中的记忆操作
• 训练记忆模型生成高质量cue和召回

阶段二：OAT-GRPO强化学习

• Online Anchor Tree GRPO：在完整Agent环境中端到端微调
• 记忆调用树分配信用：追踪每次记忆操作对最终任务的贡献
• 锚点可恢复性奖励：召回内容是否准确恢复了关键决策信息
• 优化目标是 轨迹级效用，不是局部摘要质量

这种两阶段训练让记忆模块从"模仿专家"进化到"服务任务"。最终的记忆模型不是压缩工具，而是一个 为Agent当前状态动态定制上下文 的调度器。

实验：四个基准，全面领先

实验设置：

• Agent backbone：GLM-4.7（闭源）和 Qwen3.5-35B-A3B（开源）
• 记忆模型：Qwen3.5-9B（共享，唯一被更新的组件）
• 上下文窗口：128K，管理触发：64K，每页：32K
• 每查询上限：40轮，报告avg@3（3次独立rollout平均）
• 工具集：search、visit、scholar、python、memory（SAM召回接口）

基线对比：

• w/o CM：全保留（不管理，等128K爆掉）
• discard-tool：固定窗口丢弃早期工具响应
• recent-k：只保留最近k步
• summary：滚动摘要（最强启发式基线）

关键发现：

1. 触发时刻状态：SAM在上下文管理触发时，工具调用次数、置信度、准确率都超过summary。额外的活动不是噪声，而是更正确的决策。意图驱动召回没有淹没上下文，而是让Agent在触发点达到更果断状态。

2. 轮数越长优势越大：在BrowseComp的21-40轮、41-80轮、>80轮三个桶中，SAM uniformly高于所有基线。SAM-over-summary gap在>80轮仍清晰可见，而summary-only开始丢失有用状态。轮数越长， episodic recall相对于单个滚动摘要的收益越高。

3. Page size敏感性：32K page size在BrowseComp和BrowseComp-ZH上表现最优。太小丢失局部连贯性，太大增加召回负担。

4. 跨backbone通用：同一个9B记忆模型，在GLM-4.7和Qwen3.5-35B-A3B两个不同backbone上都有效。SAM的模块化设计让它不绑定特定模型。

与相关工作的区别

SAM的定位是 独立可复用的记忆模块。不改动backbone，不加预训练，只通过SFT+RL训练一个9B记忆模型，就能适配不同Agent。

局限

1. 记忆模型规模：只测试了9B（全参数）和27B（LoRA）。更大的记忆模型（如35B全参数、MoE架构）可能进一步提升，但计算成本也更高。

2. 领域局限：只在web浏览和知识密集型基准测试。软件工程Agent、具身环境、长文本生成等场景尚未验证。

3. 专家依赖：SFT和RL都依赖强模型（GLM-4.7 / Qwen3.5-35B）生成专家轨迹和评估奖励。计算成本高，且可能继承专家偏见。更高效的监督信号和更稳定的奖励设计是待解决问题。

我的判断

SAM的核心贡献不是"又一种记忆压缩方法"，而是 重新定义了记忆在长时序推理中的角色。

传统思路把记忆当"存储问题"——怎么塞更多、怎么压缩更小。SAM把它当成 导航问题——Agent不需要携带全部历史，它需要一个能按需重构历史的地图系统。cue是地图上的标签，page是标签背后的详细地形。

这种设计有深层启发：

第一，分离concern。Agent backbone负责推理和决策，记忆模块负责上下文管理。两者解耦，各自优化。这类似于操作系统中MMU和CPU的分离——CPU不直接管理内存映射，MMU做地址翻译。SAM想成为Agent的MMU。

第二，状态自适应的通用性。论文只在web浏览上测试，但cue-page+意图召回的结构是通用的。软件工程Agent需要召回早期设计决策；具身Agent需要召回环境地图的某个区域；对话Agent需要召回用户的偏好历史。任何"远处信息后期才相关"的场景，SAM的结构都适用。

第三，训练信号的设计。OAT-GRPO的锚点可恢复性奖励是个关键创新。它不问"召回的摘要是否准确"，而是问"召回的内容是否让Agent做出了正确的决策"。这是任务级反馈，不是内容级反馈。记忆模型的优化目标直接对齐Agent的最终效用，而不是中间表示的质量。

一个有趣的延伸：如果SAM的cue-page结构可以跨Agent共享，会发生什么？Agent A在某个任务中积累的知识，通过cue-page形式存入共享记忆库，Agent B在类似任务中按意图召回。这有点像Memorix的跨Agent共享，但SAM的模块化让它更容易实现——不需要统一backbone，只需要统一的记忆接口。

论文最后说："explicit memory modeling provides a simple and effective foundation for long-horizon agentic reasoning." 简单、有效、基础。这三个词准确概括了SAM的定位。它不是最炫的记忆机制，但它把问题想清楚了，结构做对了，实验做全了。

参考：Yuyang Hu, Hongjin Qian, et al., "SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent", arXiv:2605.24468, 2026. 代码：https://github.com/qhjqhj00/cabeza

#Agent记忆 #长时序推理 #上下文管理 #状态自适应 #强化学习 #OAT-GRPO #浏览Agent