自适应智能体记忆：按未来有用性取舍，而非相似度

相似度检索解决错了问题

智能体的上下文窗口被压缩后，被丢弃的内容就永远消失了。当前主流做法是把所有东西都做嵌入，再按相似度检索——但这回答的是「什么看起来像这个查询」，而不是「这个智能体接下来需要什么」。这两个问题之间存在可测量的差距。

adaptive-agent-memory-research 正是一个围绕这个差距构建的开放研究仓库。它是一个本地优先、模型无关的长期记忆系统，判断「该保留什么」的依据是过去经验的实测未来有用性，而非与当前查询的语义相似度。作者明确表示这是研究引擎而非成品，并已被项目用于日常自我管理。引擎本身无依赖、离线运行、不需要 API 密钥——但仓库的大部分内容其实是围绕它的测量装置。

自适应智能体记忆项目封面

架构：两个存储层与一个开放问题

设计采用双存储结构：

快层：仅追加的情节日志（append-only log），保留不可变证据，从单次经验中学习
慢层：语义/程序性存储，整合反复出现的内容

两者之间的迁移由测量出的未来效用决定，而非相似度或检索频率。

experience → append-only log → memory controller →
  [episodic | semantic | procedural | failure] →
  measured future use → retrieval → agent

README 明确指出：仅追加日志、控制器和检索已经构建并运行，而图中标注「真正属于研究的部分」——即实测未来效用那一步——仍是开放问题。控制器下方的四个存储层被描述为一种设计假设，而非经过验证的分解方案。

已测量到的关键发现

仓库注册了 71 个实验，37 个已运行，20 个因缺少语料而受阻。全部为探索性质，无一经过独立评审。以下是已报告的结果：

被取代的事实与替代者高度相似

旧事实与其替代者之间的平均余弦相似度为 0.816，而语料基线为 0.372，其中一对达到 1.000。移除元数据过滤后，过期版本在 9 个案例中有 6 个成为最近邻，中位排名为 1。结论：内容本身无法区分退休事实与继任者，只有簿记可以。

双时间轴（bitemporal）模型：文章提到的「有效时间」指事实在现实世界中为真的时间段，例如「某公司的CEO是A」只在A任职期间有效；「事务时间」指系统何时记录/相信该事实，反映当时的认知状态。单一时间戳只能承载其中之一，因此无法回答「当时我们认为什么」这类回溯查询——系统只能给出当前认知，或错误地用现在知道的信息覆盖过去。分离两条时间轴后，系统可以独立查询「在T1时我们相信的有效事实是什么」和「今天回看，T1时真正有效的事实是什么」，从而支持审计、追责和时序推理。代价是每个事实需要两个区间、查询条件更复杂，且在只关心「现在」的场景中并不带来收益。

单一时间戳无法回答「当时我们认为什么」

单一时间戳在该问题上得分 0.00，并在 18 次查询中 6 次泄露未来信息。将有效时间与事务时间分离后得分 0.944，零泄露。但需注意：所有设计在「现在什么是真的」上都得 1.00，所以除非确实会问历史问题，第二个时间轴并不带来收益。

多语言嵌入器提升召回但引入安全隐患

一个 220 MB 的本地多语言嵌入模型将波兰语查询的 recall@10 从 0.156 提升至 0.978，但同时拉入了四倍的过期材料（禁止侵入率 0.200，词法搜索仅 0.050）。召回问题解决了，安全性尚未测量。

禁止侵入率（intrusion rate）：这里指检索结果中混入了本不应出现的过期、失效或冲突材料的比例。它衡量的是「检索污染」——系统为了提升召回而被诱导带出已被取代或禁止访问的内容。与 recall 关注「有没有找到该找的」，侵入率关注「有没有带回不该带的」。两者常呈反向关系：更强的语义匹配会同时拉近目标片段和形近但过期的片段。因此仅报告召回提升不足以判断系统是否安全，需要成对报告召回与侵入率，并在检索后加一层元数据/时间过滤或冲突检测，而不能默认「召回高=效果好」。

关联图让检索变差（作者自行撤稿）

一个基于记忆的关联图使检索效果下降。早先的有利版本已被作者撤回：其泄露控制需要移除 4.5 条边却只移除了 1 条，导致金标准生成组通过两跳重新聚合。这是对自身工作的诚实撤回。

完美召回不等于正确回答

在新语料上，投毒指令族得分 1.000 recall@10，却在 25% 的探测中将投毒行排在真实规则之上。作者将其框定为单一合成语料上的单一词法实验，是关于「召回掩盖了什么」的证据，而非一般性结论。

独立性阶梯的某一层无法实例化

项目自身独立性阶梯的 Tier I3 目前无法实例化：同一模型的两个角色在 120 次查询中零次伪造证据标识符，因此错误相关性是未定义的而非零。测试框架如实报告为未定义，因为报告 0.0 等于宣称一种无人测量过的独立性。

独立性阶梯（independence ladder）：指用分级方式刻画系统不同组件之间「独立作答/独立验证」程度的评估框架。层级越高，组件之间共享模型、提示或训练数据的程度越低，错误相关性也越弱。Tier I3 属于其中某一级，要求两个角色在证据标识符上互不复制、互不依赖。当在 120 次查询中零次伪造标识符时，「错误相关性」这一指标没有可观测的分子与分母，数学上是未定义的，而非 0。把它记作 0.0 会把「未测量」误报为「已测量且为零」，从而虚假抬高系统的独立性评级。正确做法是标注为 undefined 或 N/A，并说明需要更强的对抗性任务或不同模型组合才能实例化该层级。

缺失的部分

没有头条基准表。项目想要做的比较——在固定上下文预算下、跨越长历史的条件下，将自适应记忆与原生压缩和向量检索对比——需要语料和读者模型。

语料现已存在：corpus H1，538 个事件、30 个模拟天、84 个延迟探测，横跨七类失败族，确定性生成，无需模型或 API 密钥。首次运行发现了语料本身的缺陷：文档长度在三个族的 12 个实例中全部预测了答案。损坏版和修复版的测量结果均已发布。

仍缺的是读者模型（评判某条臂能否从其保留的内容中作答），以及压缩臂本身。这项工作追踪在 issue #41，README 称之为最高杠杆的开放任务。

状态与局限

这是早期阶段的开放研究。仓库采用 CC BY 4.0 许可，无依赖，不需要 API 密钥。README 说明存在 bug 和粗糙边缘，欢迎报告（安装问题见 issue #36），并承诺无论结果如何都会发布。

如果你想要的是一个保留证据、可被检查的智能体记忆系统，MCP 配置只需两条命令。如果你想要的是一个关于该设计是否优于相似度检索的确定答案，仓库自身的立场是：答案尚未被测量。