記憶邊界合約：AgenticSTS 五層型別檢索幫長程 Agent 的記憶做可消融體檢

長程 Agent 的記憶不是一個存文字的地方——它是「每個未來的決策允許看到什麼」的合約。最常見的合約是把過去的觀察、工具調用、反思全部 append 到下一輪 prompt——這讓 context 隨決策數線性膨脹，且任何單一記憶成分的效果都無法隔離量測。Alaya Lab 等團隊提出另一種合約：每決策從五層型別切片重新組裝 prompt（L1 固定協定→L2 狀態 schema→L3 規則檢索→L4 情節摘要→L5 觸發策略技能），不 append 任何原始跨決策抄本。Context 穩定有界，且每一層都可以獨立開關做消融實驗。在 Slay the Spire 2（前沿 LLM 0 勝、人類 16% 的難度）上，五層合約的最大觀察差異落在啟用 L5 觸發策略技能：無技能 3/10 勝 → 有技能 6/10 勝（方向性，Fisher exact p≈0.37）。釋出 298 完整軌跡 + 條件標籤 + SHA 凍結記憶快照的可重現測試床。

論文開篇就重新定義了長程 Agent 的記憶問題：

1. 現狀：ReAct/Reflexion 類 agent 把觀察、工具調用、反思全部 append 到下一輪 prompt。這讓資訊容易取得，但也讓 context 變成一個雜亂混合物——任何單一記憶成分的效果都無法隔離
2. 替代方案：每決策從五層型別切片重新組裝 prompt。資訊要存活到下一決策必須先寫入 bounded store。這把記憶從「歷史能塞多少」轉換為「選擇了哪些型別證據」
3. 合約的核心差異：不是 prompt 大小，而是記憶層的 可消融性（ablatability）——你可以獨立地關掉某層，觀察行為改變
4. Context 成長的審計：論文做了 token 審計：bounded contract 下 prompt 大小穩定；對照的 append-transcript 假想情境可能 O(c²) 成長

Agent 從不 append 原始對話抄本。每層的角色、可變性和實驗中的角色不同：

1. L1 操作協定：不可變的角色和協定模板——固定不變，所有條件共用
2. L2 狀態型別 prompt：不可變的 schema——戰鬥、組牌、地圖、事件、休息等狀態各有對應模板 + 合法動作格式
3. L3 遊戲知識：可枚舉的規則資料——卡片、遺物、敵人、事件。可依 patch 更新
4. L4 情節記憶：run 後摘要（角色 × 難度 × 章節 × 敵人類型）——案例式召回
5. L5 技能庫：觸發式策略指南——從日誌蒸餾出的通用場景策略，最重要的消融變數

L5 技能有兩種填充方式：人工撰寫種子庫（Mode A）和模板填充自動生成（Mode B），兩者在 A0 上都達到 6/10 勝率點估計——證明技能層的存在性效應大於技能內容的來源。

• baseline-strict（無 scaffold）：3/10 勝（Wilson 95% CI [10.8%, 60.3%]），分數 70.4
• prompt-only（完整 prompt，無 L4/L5）：4/10 勝（[17.0%, 69.1%]），分數 69.6
• mode-a（手寫 L5 種子庫）：6/10 勝（[31.3%, 83.2%]），分數 85.5
• mode-b（模板填充 L5）：6/10 勝，分數 83.3
• full-frozen（L4 情節 + L5 技能）：6/10 勝，分數 82.1

∆L5 = +2/10，∆L4 = 0（分數差 CI [−21.7, +14.9]）。在 A0 上，情節記憶（L4）已飽和；策略技能（L5）是觀察到差異最大的記憶層。Fisher exact p≈0.37 代表方向性證據。

• Qwen 3.6-27B：baseline → full-frozen 分數從 14.6 升至 26.9（+84.5%），但勝場仍是 0/5
• DeepSeek V4 Pro：分數反而從 41.3 降至 33.8（−18.1%），勝場 0/5
• Gemini 3.1 Pro（原生）：3/10 → 6/10，分數 70.4 → 82.1（+16.6%）

教訓：技能庫的遷移性不是理所當然的——它是一個可量測的經驗屬性，不是一個前提假設。

有 run 後寫入記憶的條件爬到 A6-A8，而無 run 後記憶的條件停在 A2-A4。L4 在 A0 已飽和，但在高難度需要跨 run 學習時變得重要。

1. 前置 A/B 檢查：B=3 resample，需嚴格 2/3 以上且零有害案例
2. Cosine 相似度：過濾重複候選
3. Jaccard 相似度：token 級去重
4. LLM 法官：語意級評估新技能是否真正帶來新資訊

大部分候選在此過程中被拒絕或合併——寫入難度遠高於檢索難度。

• 技能 vs 情節的分離可直接採用：Hermes 的 skill library（類似 L5）和 fact_store（類似 L4）已有雛形。建議引入消融測試量化每層貢獻
• 情節記憶在低難度飽和的現象值得警惕：短對話任務看不出 fact_store 的價值，但長程多 session 才是主場
• 「類型化檢索」優於「原始抄本 append」：每決策從型別切片重組，而非從歷史累積
• 四層寫入閘門可直接借鏡：sleep consolidation 引入 Cosine+Jaccard+LLM 法官三層閘門，降低重複/低品質固化

• 固定 A0 的 N=10/cell 樣本量有限，L5 的 +2/10 是方向性（p≈0.37）
• 與 accumulate-transcript 合約的匹配對照實驗是 future work
• 技能庫是 backbone-sensitive，不是泛用外掛
• Slay the Spire 2 遊戲測試床的結論不一定適用於非遊戲 agent 任務