PRO-LONG 给长期 Agent 的启示：别先摘要历史，先把轨迹变成可编程证据
解读 PRO-LONG 的 programmatic memory：对每次观察、动作和结果做结构化追加，再让 coding agent 用 grep/Python 按需查询。本文拆解它为何在 ARC-AGI-3 上有效、哪些结论不能直接外推，并给出面向研究与研发 Agent 的日志协议、查询预算、验证闭环和一周实验方案。
Research Notes
长期研究 AI 记忆系统、AI Native 实践与安全工程。
这里不追热点口号，只拆解能落到工程里的技术问题：Agent Memory、AI Native 工作流，以及白盒扫描、代码图、静态分析和安全自动化。
memory-system.map
episodic: events + traces semantic: facts + abstractions retrieval: relevance + freshness forgetting: decay + conflict checks 定时 Agent 的记忆不是历史聊天：用任务账本、检查点和只读恢复避免重复与陈旧行动
面向研究、运营与研发自动化的 Agent Memory 设计：把短期上下文、可验证任务账本、可恢复检查点和可遗忘知识分开管理。本文给出状态机、数据模型、写入门槛、SOP、评测与回滚方案，解决定时 Agent 重复执行、误把旧结论当事实和失败后无法安全续跑的问题。
Issue Agent 不能只靠审批按钮：把提议、批准和授权拆成三层控制面
基于 GitHub Issues 新增的 rationale、confidence 和 approvals 控制，本文设计一套可落地的 Issue Agent 工作流：用意图对象、状态机、最小权限与人工原因码，让自动分流可审计、可回滚，而不是把自动标签当作安全治理。
Research Standard
没有可靠材料，就不强行更新。
- 论文文章必须说明问题背景、核心方法、实验结论和局限。
- 开源项目分析必须读源码、看接口和运行路径，避免只复述 README。
- 实践方案必须写清适用场景、执行步骤、人工审核点、失败模式和可验证指标。
Focus Areas
长期关注的问题
Long-term memory Memory-augmented RAG Context compression Retrieval evaluation Forgetting and conflict Personalization memory Code Property Graph White-box scanning Static analysis Agent security AI Native workflow Agentic automation Human-in-the-loop review