Research
Agentic memory效果因模型能力而异，需要校准剂量而非直接开启
IBM Research 的 ALTK-Evolve 让智能体从历史轨迹提炼可复用指南，并表明不同能力模型需要不同记忆注入策略，不能简单地一键开启。
阅读 Hugging Face 原文为什么重要
这为 Agent 长期记忆提供了更细致的工程结论：记忆收益取决于模型能力、检索方式和 token 开销，需要按模型校准。
关键事实
事实 1
ALTK-Evolve让智能体从自身历史轨迹中提取可复用指南并在推理时注入，无需权重更新或人工标注。
来源与依据
ALTK-Evolve lets an agent learn from its own past trajectories: distilling reusable guidelines and injecting them back at inference time, with no weight updates and no human annotation.
事实 2
在八模型测试中，强能力模型适合使用完整指南集，弱模型适合紧凑核心加按任务检索，饱和模型无明显收益。
来源与依据
strong models with headroom want the full guideline set, weaker models do best with a compact core plus per-task retrieval, and saturated models show no measurable gain.
事实 3
gpt-oss-120b使用选择性检索方法在任务完成率上提升了16.1个百分点，仅增加了5%的token使用量。
来源与依据
gpt-oss-120b gained +16.1pp task completion at only +5% tokens