一句话：智能体的长期记忆最怕的不是忘，是记错了还一直信。MIT、Meta 与耶鲁的团队 2026 年 10 月挂上 arXiv 的 ReHarness（编号 2610.12668）给的解法很省：不重建记忆库，只修这次被检索出来、又被证明不好用的那几条笔记。
先看那个排序的例子
论文开篇的例子短得像段子。智能体拿到 {3,7,4} 要求降序，它答对了，顺手写下一条经验：「大的放前面」。下一个任务是升序 {2,9,5}，系统检索到这条经验照做，答错。
它又写了一条新的：「小的放前面」。但旧的那条并没有被删，还躺在库里。第三个任务来了，检索又把「大的放前面」捞出来，于是它再错一次。错误没有扩散，错误在原地重复。
这就是问题的形状。不是模型不够聪明，是那条写歪的笔记一直有效、一直能被召回、一直没人回头改它。据该论文的描述，这类过时或过度泛化的反思，会在后续检索里被反复激活。
记忆系统真正的 bug 是「记错还信」
我们平时聊 AI 记忆，盯的是容量和召回率：能不能记住上个月的决定，能不能找回三个月前的文档。这些指标都默认「记住是好事」。可经验有保质期，写进来时对，环境一变就不对了。
论文把现有做法叫「只进不出」：一个记忆智能体在任务结束后写经验，一个决策智能体在新任务开始时读经验，信息流单向往前。写和读都只往前走，状态只增不改。据该论文摘要，这类框架的短板就在这里。
单向积累在分布漂移时最要命。据论文对稳定性与可塑性的拆解，Mem0、RBank、DoT、ACE、GEPA-Online 这几种记忆或提示优化方法，在漂移后的第一个实例上平均增益是负的——带着这些记忆，比不带还差。
我的第一条判断：所谓「记忆污染」，本质是缺一条回收通道。每写一条经验，系统同时欠下一笔债——「这条日后要是误导了谁，谁负责来改」。只进不出的库，债只增不减，最后整库都是没人敢删的旧账。
只改被用到的那几条
ReHarness 的做法，是把「读—写」这条单行道改成三步循环。第一步前向读：按当前输入检索最相关的几条反思，交给干活的智能体。第二步反向修订：拿到这次的轨迹和奖励后，由一个修订智能体逐条重审刚才用过的那几条。
第三步前向写：记忆智能体照这次的轨迹写一条新经验，并且拿刚修好的旧经验当示范，让新经验一开始就带上适用条件。据该论文，排序那个例子里，旧经验被改成「只在降序时把大的放前面」。
整个设计里我认为最硬的是一个细节：修订时，当前这次的轨迹只能当「反馈信号」，不能当「内容素材」。新写进去的事实必须锚定在它自己那条旧经验的来源轨迹上，否则就等于把答案抄进去了。
这条约束叫 grounding，作用是防泄漏。据论文的审计，三个模型骨干上，修订内容「有来源依据」的比例都超过 95%；Claude 那一档的修订率是 0.868，平均每条经验改 2.41 处。改得不多，但每次改都有凭据。
关键在「只改被检索到的那几条」。整库重写听着更彻底，可它每轮都要跑一遍全量，成本随任务数线性涨，而且改了什么、为什么改，事后根本说不清。只动被用过的那几条，改动范围天生可解释，也能回滚。
0.240 这个数怎么读
主指标叫归一化增益：一条任务流上，方法的奖励减去「不带记忆的裸模型」的奖励，再除以「理论最高奖励减去裸模型奖励」。它衡量的不是准确率，而是「从历史经验里学到的东西，到底值多少钱」。
据该论文表 1，三个基准（CL-Bench、MemoryBench、MemoryArena）乘三个模型骨干（Claude、GPT、Gemini）的平均归一化增益是 0.240。最强的原始轨迹基线 Top-K Raw 是 0.168，把全历史塞进上下文的 Full Raw 是 0.164。
九个组合里，ReHarness 在八个排第一或并列第一。配对 Wilcoxon 检验做了 Bonferroni 校正，对 Top-K Raw 的校正后 p 值是 0.039，对 Full Raw 是 0.043，都过了显著性线。
更值钱的是成本那一栏。据论文的消融，ReHarness 不需要多大的修订集就能赢过最强的全历史基线，token 消耗大约是后者的三分之一——反过来说，在 CL-Bench 配 Claude 这一组上，把完整原始历史重放一遍要多烧 3.4 倍 token。
拆掉修订模块的对照也很干净。同一组设置下，没有修订时平均增益 0.144，加上修订是 0.217，CL-Bench 六个任务全都更高。反事实重放能到 0.335，但那把修订后的记忆用回了已经看过的那个实例，违反在线协议，不算线上成绩。
为什么这套思路值得普通团队抄
第一件事，给每条笔记加元信息：写入时间、来源任务、当时成功没成功、被用过几次。ReHarness 能修订，前提是它知道「这条笔记是为哪次任务写的」，原始轨迹也还留着。没有来源，连改的凭据都没有。
第二件事，把「重放历史」当兜底，别当默认。全历史塞进上下文确实有效，论文里 Full Raw 也有 0.164，只是贵。日常用检索出的少数几条，出问题、或者任务类型刚变过的时候，再放全量兜底。
第三件事，每轮任务结束后做一次小修订。不是让模型「反思一下」，而是点名让它重审这次用到的每一条，问一句「它当时该怎么写，才不至于让你这次走错」。修订完的笔记要有版本号，能回滚到上一版。
这三件事的共同点是便宜。改动范围小、每次只动几条、来源清楚，出错时能定位到具体哪条经验把哪个任务带偏了。对没资源自研训练流程的团队，这个量级才现实——先要能改一条，再谈重建一座库。
但这里有个前提：对错信号
整套方法的燃料是「这次任务的轨迹和奖励」。修订智能体要判断旧经验好不好用，得先知道这次干得对不对。这个信号在基准里是现成的，每题都有评分；在你的业务里，八成没有。
论文自己也撞了这堵墙。据论文的任务级拆解，CL-Bench 里的 exploitable 扑克任务上，ReHarness 只有边际增益，作者把原因归到「手牌级别的奖励噪声太大」——运气盖过了策略，反馈本身没有诊断性。
所以泼盆冷水：没有干净的成功/失败标签，这套方法会退化。修订智能体拿不到可信的对错，就只能靠模型自己的反思去猜，而「让模型反思自己的判断」这件事，恰好是这篇论文想绕开的那个坑。
我的第二条判断：长期记忆的工程难点，接下来几年会从「存和取」挪到「标注」。谁能把每个任务的成败写得够细、够及时，谁的记忆系统就能自我纠错；谁的成败只有一句「用户没说不满意」，谁就只能攒一堆没人敢删的旧笔记。
还有个更细的门槛：来源轨迹得留得住。ReHarness 要求修订内容锚定旧经验的原始轨迹，那就意味着每次任务的过程日志不能只存结论，得存住过程。这一步很多团队省了，省掉之后修订就只能靠想象。
常见问题
问：这跟 RAG 有什么区别？RAG 是把文档检索进上下文，文档本身不动；ReHarness 动的是模型自己写的反思，而且是被用过、被验证过好不好的那些。前者管知识，后者管经验，混着用容易两头不讨好。
问：为什么不干脆每轮重训模型？因为论文的协议是严格在线流式：每个实例只出现一次，没有验证集，模型只能走 API，没有梯度可算。这套约束恰好就是多数团队的真实处境——你调不了权重，只能调上下文里的文字。
问：小团队现在能上手吗？能，但先做最土的那版：笔记带来源和时间戳、每次任务后只重审用到的那几条、修订留版本可回滚。据 Rohan Paul 在 X 上的转述，这项工作的重点落在「反向修订」这一环，而不是把记忆库做大，这个顺序别搞反。
