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。
Category
论文解读
Topic Document 不是笔记格式：它是长期 Agent 记忆的维护单元
Infini Memory 把长期 Agent 记忆从孤立片段和向量召回，推进到可维护的主题文档库。工程上，Topic Document 的价值不只是可读 Markdown，而是把写入缓冲、证据聚合、事实修订、局部检索和审计元数据放进同一个维护单元。
长期记忆的单位不是聊天：持久化 Agent 需要环境级评估
从 Persistent AI Agents in Academic Research 看，长期记忆 Agent 的评估对象不该只是单轮回答、RAG 命中率或 token 成本，而应扩展到人-代理-文件-工具-计划任务-治理规则组成的持久化环境。
记忆合并不是后台清理：Agent 长期记忆的高风险写路径
从 Useful Memories Become Faulty When Continuously Updated by LLMs 看，自动把成功轨迹持续压缩成文字经验，可能让 Agent 从有用记忆退化到错误记忆；长期记忆系统需要把 consolidation 当成可验证、可回滚、可门控的写操作，而不是无条件后台任务。
ZipAct：Agent 记忆不一定要回放历史，也可以维护状态
TMLR 2026-05-17 接收的 ZipAct 把 agent 的交互历史压缩成 Goal、World、Constraint 三类结构化状态，让动作生成只看当前状态表和最新观察。它提醒我们，长任务记忆的关键不只是存储更多历史，而是把可执行状态、负反馈和约束持续更新到一个可验证的工作记忆里。
记忆稀释：AI Agent 的长期记忆为什么仍然会遗忘
从 arXiv:2604.27003 和 elfmem 看，外部记忆并不会自动解决持续学习；它只是把灾难性遗忘从参数更新搬到检索、表示、评分衰减和经验复用策略里。
依赖结构化记忆：ContextWeaver 对 Agent 长上下文的真正启发
从 arXiv:2604.23069 ContextWeaver 看，工具型 LLM agent 的记忆不只是在历史里检索相似片段，而是要保留当前行动真正依赖的早期证据、决策和执行反馈。
经验压缩谱：为什么 AI 记忆系统不能只停在“存得更多”
从 arXiv:2604.15877 看，长期记忆、技能和规则不是三个孤立模块，而是同一条经验压缩轴上的不同粒度；真正缺失的是跨层晋升、降级和生命周期治理。