AI Signal Brief — 2026-W08

arXiv 本周同时出现了五篇关于 Agent 记忆的论文。不是五个团队碰巧同时写了类似的东西——而是这个领域同时碰到了同一面墙：简单的 RAG 检索支撑不了长周期运行的 Agent。

这面墙的名字叫"上下文膨胀"。当一个 Agent 执行超过几十步的任务时，要么上下文窗口塞满了垃圾（检索不够精确），要么关键信息被遗忘（窗口有限必须截断）。本周的论文们用不同的方式尝试绕过它。

---

从"无限记忆"到"有限大脑"

CraniMem 提出了一个优雅的类比：人类的记忆之所以有效，恰恰是因为颅骨的物理限制。大脑不是无限数据库，它是一个有界、门控的系统——重要的东西进来，不重要的被压缩或遗忘。CraniMem 照搬了这个设计：Agent 的记忆有容量上限，写入需要通过"门控"判断重要性，读取使用注意力机制而非暴力检索。

NextMem 走了另一条路——潜在记忆空间（latent memory）。不存储原始对话内容，而是将经验编译成向量表示。你可以把它想象成：不记住每一句话，而是记住"从这段对话中学到了什么"。

Compiled Memory 更激进：直接把多轮交互编译成结构化知识，丢弃原始内容。

三种方案，同一个洞察：Agent 的记忆问题不是"如何存储更多"，而是"如何有效遗忘"。

---

DynaTrust：当你的合作 Agent 是卧底

另一个值得注意的信号是 DynaTrust——一个防御多智能体系统中"潜伏 Agent"（Sleeper Agents）的框架。

潜伏 Agent 的威胁模型是这样的：在多个 Agent 协作的系统中，一个恶意节点平时表现正常，逐步积累权限和信任，在关键时刻发动攻击。DynaTrust 的防御思路是动态信任图——基于行为模式而非身份来持续评估每个节点的可信度。

这在今天听起来像科幻。但随着 MCP 和 Agent-to-Agent 协议的铺开，多智能体系统正在从实验室走向生产环境。今天的学术论文是明天的安全事故报告。

---

本周值得做的一件事

阅读 CraniMem 的论文（arXiv:2603.15642），思考一个问题：你当前的 Agent 系统中，记忆管理策略是什么？如果答案是"把对话历史全部塞进 context window"，那你正在用最天真的方案解决一个已经有更好答案的问题。

---

下周会发生什么

Agent 记忆架构的这波论文会在接下来几周引发框架层面的响应。预计 LangChain 或类似框架会开始讨论"memory types"的标准化。同时，DynaTrust 的思路可能启发更多关于 Agent 间信任机制的研究——这个方向现在几乎空白。