📍 真實場景
阿凱，獨立接案的客服系統工程師，正在幫一家電商客戶維護退貨申訴用的 AI agent
他把 agent 過去處理成功與失敗的案例整理成一大份「注意事項清單」，每次都整包塞進提示詞裡，想讓 agent 越用越聰明
😖 卡住的地方：上個月客戶為了省錢，把底層模型從大型旗艦模型換成一顆較小的開源模型，同一份注意事項清單原封不動塞進去，agent 表現不但沒變好，錯誤率反而上升，阿凱一度懷疑是新模型比較笨
💡 這篇文章會告訴阿凱：問題不在模型笨，而在「記憶劑量」沒有跟著模型強弱調整——這課教他怎麼幫不同能力的 agent，配出剛剛好的記憶劑量
🧭 這到底是什麼（白話版）
這篇文章講的是一種讓 AI agent「越用越聰明」的技術，叫做代理記憶（agentic memory）讓 AI agent 把過去做過的任務經驗整理起來，之後遇到類似任務時可以拿出來參考的機制 。做法很直覺：agent 做完一個任務後，把「這次哪裡做對、哪裡做錯」整理成一份筆記，下次執行類似任務時，就把這份筆記塞進提示詞裡讓它讀。聽起來像是餵越多筆記，agent 就該越強，對吧？
文章的研究團隊測了 8 種不同能力的模型後發現，事情沒這麼簡單。他們用一套叫 ALTK-Evolve 的方法，讓 agent 自己從過去執行任務留下的軌跡（trajectory）agent 執行一個任務時，從接收指令、思考、呼叫工具到給出結果的完整過程紀錄，就像一份「工作錄影帶」 中，萃取出可重複使用的準則清單（guideline set）從過去成功與失敗經驗中整理出來的一條條建議，例如「遇到 A 情況要先做 B」「C 這種做法容易出錯」 ，再把這份清單放回提示詞給 agent 參考。整個過程完全不需要重新訓練模型（不用調整模型的權重（weights）模型內部用來決定輸出的數字參數，重新訓練模型就是在調整這些數字 ），也不需要人工標註對錯，agent 自己就能生出這份筆記。
但研究發現一個違反直覺的事實：準則清單不是「開了就有效」的功能開關，而是要按模型強弱「抓劑量」的東西。同一份清單，餵給強模型是補品，餵給弱模型卻可能變成噪音，讓它更迷惘、表現反而變差。
🧠 工程思維透鏡（資深工程師看到的是什麼）
🔭 如果「準則清單」對每個模型都要客製劑量，前端到底該怎麼決定要塞多少？
文章給的答案不是靠感覺，而是先分類：模型有沒有還沒用完的能力餘裕（headroom）、上下文視窗夠不夠大、任務分布跟訓練時像不像。這代表在正式上線前，要先用小規模測試把模型「歸類」——是屬於吃得下整份清單的強模型，還是容易被塞爆的弱模型——而不是一套記憶策略打天下。這正是資深工程師常講的「先量測、再優化」，而不是先上線再說。
🔭 為什麼「準則變多，表現變差」這件事會發生？弱模型是笨，還是清單本身有問題？
文章的解讀是「被淹沒（drowned）」——不是模型笨，而是它的有效上下文利用能力模型在很長的提示詞裡，實際能穩定注意到、正確運用其中哪些資訊的能力，通常比它「能塞進多少字」要小得多 比強模型差，塞進太多規則後，重要的核心規則反而被稀釋、找不到重點。這是一個很經典的工程取捨：資訊量與訊噪比是兩回事，資料多不代表訊號強，弱模型更需要「先篩選再餵」而不是「全都要」。
🔭 「飽和模型（GLM-5）給再多準則都沒用」——這代表準則清單這條路對它沒用了嗎？
文章很誠實地說「飽和」只是描述觀察到的現象，不是已證實的原因——可能是模型本來就已經逼近這批任務的天花板、可能是準則沒打中它真正會犯錯的地方、也可能是它根本沒把準則用上。資深工程師看到這種「沒效果」的結果，不會直接下結論「這條路沒用」，而是會先區分是「上限到了」還是「瞄準錯了」，這兩種情況的下一步行動完全不同——前者該換更強的模型，後者該換一批更精準的準則。
🔭 為什麼「用檢索」會同時是最準又最便宜的選項，這是不是有點太好了？
答案在於：檢索省下的不是「準確度換取的成本」，而是「雜訊換取的成本」——挑出跟這次任務相關的規則，等於同時降低了 token 用量，也降低了不相關規則造成的干擾，兩件事是同一個動作的兩個結果，不是互相拉扯的取捨。再加上文章提到的提示詞快取（prompt caching）把常用、不常變動的提示詞內容預先處理過並存起來，之後重複用到同一段內容時不用重新計算，能大幅降低反覆使用同一份準則清單的成本 ，代表在正式環境中，就算是強模型要用的「完整版」清單，也不會因為每次都重新處理整份清單而變得昂貴。
📝 隨堂考（點選答案，立即回饋）
Q1. 根據這篇文章，「代理記憶」（agentic memory）指的是什麼？
把過去執行任務的完整逐字對話紀錄整段複製貼上給 agent 看
從 agent 過去的軌跡中萃取出來的準則清單（策略、該避開的錯誤、特殊狀況處理方式）
重新訓練模型，把過去的資料變成新的權重
幫 agent 加裝一個外部資料庫，儲存所有使用者的個資
✅ 文章明確說「記憶」不是「重播過去的逐字紀錄」，而是從過去軌跡中萃取出來的準則清單，且完全不需要調整模型權重。
Q2. 強模型（如 DeepSeek-V3.2）跟弱模型（如 gpt-oss-120b）在準則清單的最佳用法上，有什麼差異？
兩者都應該給越多準則越好，沒有差別
強模型該給完整清單，弱模型該給核心規則加上按需檢索
強模型不需要任何準則，弱模型才需要
準則清單只對開源模型有效，對商用模型無效
✅ 文章實測顯示，強模型有餘裕吸收完整清單（含邊緣案例）表現最好；弱模型塞太多反而被淹沒，用「核心加檢索」效果更好，還更省 token。
Q3. 文章提到 GLM-5 屬於「飽和模型」，這代表什麼？
GLM-5 已經被證實無法從任何形式的記憶中受益
研究團隊觀察到給它準則清單沒有明顯效果，但背後原因（天花板、準則沒對到痛點、或沒有效運用）還沒有定論
GLM-5 的參數量太大，導致記憶功能故障
飽和是指模型的 token 用量已經超過上限
✅ 文章特別強調「飽和」這個標籤只是描述觀察到的現象，不是已證實的原因，可能有多種解釋，仍在釐清中。
Q4. 為什麼「核心準則加按需檢索」對 gpt-oss-120b 來說，同時是最準又最便宜的選項？
因為檢索到的規則剛好跟任務相關，同時減少雜訊干擾，也減少了不必要的 token 用量
因為檢索功能本身有額外的模型加速效果
因為 gpt-oss-120b 的上下文視窗太小，塞不下完整清單，只能被迫用檢索
因為檢索版本用的是不同的底層模型
✅ 文章指出，挑選相關的準則同時降低了 token 花費，也降低了不相關規則造成的干擾，這兩件事是同一個動作帶來的雙重好處，不是互相拉扯的取捨。
Q5. 文章的核心結論「記憶是劑量、不是開關」，具體來說是什麼意思？
記憶功能一旦打開就會一直生效，不需要調整
該給 agent 多少準則、給什麼樣的準則，要依照模型的能力強弱來調整，不是有或沒有的二選一
記憶只對超大型模型有效，中小型模型完全不該使用
劑量指的是模型呼叫 API 的次數上限
✅ 文章反覆強調『the right dose differs by model tier』——不是要不要給記憶的二分法問題，而是給多少、給哪些，要依模型量身調整的連續問題。