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。
Tag
#context engineering
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。
代码审查 Agent 不该浏览整个仓库：用 diff 问题、证据预算和验证闭环收敛审查
基于 GitHub Copilot Code Review 近期的工程复盘，本文给出一套面向 PR 审查的 AI Native 工作流：从 diff 问题编译、受限检索、证据卡片到人工裁决、指标与回滚。重点不是让 Agent 多提评论，而是让每条评论可复核、可拒绝、可度量。
代码 Agent 要先收敛证据包，而不是读完整仓库
ContextSniper 和 Deterministic Anchoring 给出同一个工程信号：AI Native 代码修复工作流的瓶颈不是上下文窗口不够大，而是证据选择、结构锚点、输出过滤和验证闭环没有产品化。本文给出一套一周内可试跑的代码 Agent 证据包工作流。
长期记忆要区分当前、历史和过渡状态
A-TMA 把 ghost memory 定义为长期记忆里的状态协调失败：旧事实、当前事实和过渡事实同时存在，但在检索和回答时被混成一类。本文拆解 bank、retrieval、QA 三层诊断，并给出一套状态感知记忆工程方案。
共享 Agent 记忆不能只靠相关性检索
MaaS 把协作 Agent 的记忆访问从“检索到什么就给什么”改成按 owner、requester、recipient、task 和 purpose 做目的绑定调解。本文拆解 withhold / abstract / reveal 三态机制，并给出记忆调用网关、策略模型、审计记录、失败模式和一周验证计划。
企业 Agent 不缺模型，缺的是可治理的上下文层
Work IQ API 在 2026-06-16 GA，把企业知识、工具、工作区和权限治理包装成 Agent 可用的上下文层。本文用产品反馈周报工作流拆解 AI Native 落地方案：原流程、Agent 分工、数据边界、SOP、质量指标、成本账本和回滚策略。
MemGuard：长期记忆系统要把事实、事件和规则分开治理
从 arXiv:2605.28009 MemGuard 看，长期记忆的可靠性问题不只来自检索召回不足，也来自把稳定事实、情景事件和操作规则混成同一种证据。生产 Agent 记忆层需要类型边界、关系图、查询路由和可审计的组合策略。