長任務代理的健忘症：主動記憶代理對抗「行為狀態衰減」

當 AI 代理要處理需要很多步驟、跑很久的任務時，會遇到一個很煩的毛病：跟決策有關的重要資訊，散落在越來越長的操作軌跡裡，時間一拉長，任務要求、環境事實、之前試過什麼、遇過什麼問題、還有哪些子目標沒完成，全都可能被埋進上下文視窗深處，甚至被擠出視窗之外，等到真正需要用的時候卻叫不出來。作者給這個失敗模式取了個名字，叫「行為狀態衰減」。

這篇論文的解法角度很有意思：它主張把記憶當成一種「主動介入」的機制，而不是被動的資料檢索。傳統做法是需要時才去翻歷史紀錄找相關片段（被動檢索），而作者設計了一個獨立的記憶模組，會主動判斷哪些資訊在接下來的決策裡會派上用場，適時把它推到執行代理面前，避免關鍵資訊在該出現的時候缺席。

為什麼這重要，看今天其他幾條就懂了。Lyzr 讓代理跑完一億美元募資、Anthropic 把 Claude 推進實體機器人，這些都是動輒幾十上百步的長任務，代理一旦「忘記」中途的關鍵狀態，整條規劃就會歪掉。記憶能不能撐住長任務，是 AI 代理從 Demo 走向真正可靠的關鍵瓶頸之一，這篇正是對著這個痛點開刀。

歸剛點評：模型越來越聰明，但「聰明」跟「記得住」是兩回事。人類做長專案會寫筆記、列待辦，就是知道腦容量有限；讓 AI 代理也學會主動整理與召回重點，比單純把上下文視窗塞更大更治本。做代理產品的人會知道，翻車往往是它忘了自己十步前決定過什麼，模型會不會反倒是其次。