记忆分层不是关键，打分才是

给智能体加一套记忆层级，并不能让它在长任务里推理得更准。真正起作用的是给每条记忆打分，再让那些一直不被选用的记忆从提示词里衰减出去。

打开网易新闻 查看精彩图片

这篇论文把“分层”和“打分”拆开来看。结果很清楚：只有带打分的版本，在每一个被测试的模型上都同时提升了准确率，也降低了提示词成本。

把所有内容都留在上下文里，反而被自己的旧记录拖累

那些把一切都保留在上下文里的智能体，会因为自己过时的记录而损失准确率。问题不在存储不够大，而在没有一套规则去降级那些选择器反复跳过的记忆。

与其做一个更大的存储，不如建立一条降级规则：每当选择器跳过某条记忆，就降低它的权重。对长周期智能体来说，这条降级规则比一个更好的检索器更划算。

加权记忆树的做法

这篇论文提出的加权记忆树，按照每条记忆对应的动作是否成功来打分。只要一条记忆有资格被选却未被选中，它就会衰减。

实验把加权记忆树和线性历史、未打分的树放在一起比较。结果显示，只有打分版本在准确率和提示词成本上都有改善，而单纯的分层结构并没有带来这种效果。

论文标题为“Weighted Memory Tree: Remembering What Matters for Long-Horizon LLM Agents”，发布于2026年8月25日，来源为arxiv.org/abs/2608.20631。