给 Agent 加记忆的系统越来越多，每个都说自己会越用越聪明。但有一个问题很少被正面回答：上下文窗口也在变大。如果模型一次能读下的东西越来越多，提前存好的记忆还值多少钱？

EvoMemBench 恰好给了这条曲线一个数字。它把 15 种记忆方法放进同一套评测协议，报告说：上下文预算从 16K 放大到 128K，记忆方法相对无记忆基线的最佳增益从 +14.5 分缩到 +8.5 分，而且在 128K 档，已经有记忆方法掉到无记忆基线以下。

我关心的是，这条曲线换一个骨干还成不成立——尤其是换成最便宜的那一档。理由很实际：这种实验的量级（128K 档要一遍遍回放长上下文）用旗舰价根本跑不起，选骨干时先被价格筛掉一轮；而我关心的部署场景里，跑量的主要也是便宜档位。所以我没有复刻论文的全套设置，而是预先注册了一个缩减版问题：在网关能拿到的最便宜的 GPT 档位上、单个执行环境里，增益随预算收窄的方向还在不在？

结论先放这里：方向在。 我跑出的最佳增益从 16K 的 +18.0 分缩到 128K 的 +6.0 分，两种记忆方法同向收窄。但论文里最尖锐的那一幕——记忆在 128K 跌破基线——没有出现：检索记忆的增益只是归零，程序型记忆还留在基线之上。复合判读是 PARTIAL，证据边界见文末。

先把证据等级分清

这篇论文（arXiv:2605.18421，香港科技大学广州等机构）2026 年 5 月发 v1，10 月 30 日更新到 v3，不是一篇新论文。它做的事，是给”Agent 的记性到底帮不帮忙”这个问题立坐标系：一条轴是记忆的作用范围（单个任务之内 / 跨任务），另一条轴是内容类型（知识 / 执行），构成四象限；六个数据集按 Table 2 共 2,954 条评测样本，分别落进四个象限；15 种记忆方法归为六个家族，在统一协议下与长上下文基线对比。有一个条件必须随时带上：论文里所有记忆方法共用同一个骨干 DeepSeek-V3.2，它的排名是这个骨干下的排名，脱离骨干谈排名没有意义。

论文的八条结论里，与本文直接相关的有三条半。长上下文基线依然很强，在知识保持与修订上居首（Finding 1）；记忆的瓶颈在修订而非检索，方法们擅长把信息存下来，不擅长在证据变化时改掉旧知识（Finding 2）；再深一层，瓶颈是把存下的信息形成可复用的知识，而不只是存得更多（Finding 6）；程序型记忆最适配执行类任务（Finding 4）；还有难度翻转：易题上记忆是负增益，难题上只有记忆能得分（Finding 5）——这半条我没能测，原因在文末交代。

以上全部是作者自报。我的复测只碰了其中一条：Finding 3 的增益—预算曲线，而且只在一个象限的一个环境里。

我的复测设计：最便宜的骨干，只测一条曲线

这次实验预注册过，设置在开跑前就全部定死，如下。子集取四象限中的 InEp-Exec（同一回合内的执行任务），只跑其中的 Gorilla File System 一个环境——它是一组多轮工具调用任务，任务成功与否由官方 runner 自带的检查器判定，不需要额外裁判。三臂：A0 无记忆基线；A1 是 BM25 检索记忆；A2 是程序型记忆 ACE。两档上下文预算：16K 与 128K。每格 50 条，共 300 个 episode，官方协议参数（函数调用模式、长上下文噪声、记忆作用域）照官方脚本原样。

骨干用第三方 OpenAI 兼容网关上标注为 gpt-6-luna 的端点，全程固定不换。这里有一条身份边界必须先说：标注是网关给的，它实际服务的模型无法从我这一侧独立核验。所以下文所有我方数字，都只对”这个标注端点”成立，是论文 DeepSeek 口径的一个变体口径，不是同一张表。

与论文设置的出入与版本细节，开跑前就写进了实验计划，先交代三件：

• 样本数：v3 与仓库一致，每环境 50 条。 这篇论文 v1 的 Table 2 曾写每环境 200 条，v3 已改成 50 条，官方仓库实发的也是 50 条，我跑的就是这 50 条。这同时意味着：每环境 50 条就是论文自己的评测规模，后文 ±14 点的统计区间，论文的单环境数字同样背着。
• 程序型记忆换了实现。 计划里原定 ReasoningBank，但它随仓库发布的实现硬依赖另一家供应商的嵌入密钥，我只有网关这一条接入，于是换成同为程序型家族、且是论文另一头条方法的 ACE。这不是同一个方法，判读时只能按家族方向看，不能按方法对位看。
• 记忆臂换了一层传输。 作者给记忆方法准备的调用通道是另一家云厂商的批量接口，其 OpenAI 兼容后端又拒绝记忆类型；我在本地工作副本里只替换了传输层，协议、提示、记忆逻辑、截断与评分全部用固定提交的官方代码。顺带交代一处上游自带的不对称：作者的 OpenAI 后端给 A0 臂的调用带了 temperature 1，记忆臂走的路径不传这个参数——我原样保留了它，没有为了对齐去改代码，所以三臂之间除了记忆，还隔着这一层生成参数差异。

结果：收窄复现，跌破没有出现

六格成功率如下（每格 n=50，官方成功判定）：

臂	16K	128K	增益（对同档 A0）
A0 无记忆	38%（19/50）	44%（22/50）	—
A1 BM25 检索	42%（21/50）	44%（22/50）	+4.0 → 0.0
A2 ACE 程序型	56%（28/50）	50%（25/50）	+18.0 → +6.0

两种记忆的增益都在预算放大时收窄，最佳增益从 +18.0 缩到 +6.0。论文在 DeepSeek 口径、四个环境上报告的是 +14.5 → +8.5（中间并不单调：64K 档曾低到 +7.8，128K 档又回升到 +8.5）。量级同阶，方向一致——但这两组数字不是同一张表的格子，不能并排比大小。

128K 档的细节值得单独说。论文说这一档已有方法跌破基线；我这里没有。BM25 的增益恰好蒸发到零（44% 对 44%），停在”跌破”的门槛上，没有迈过去；ACE 还在基线之上 6 分。这个结果既不证实也不反驳论文的子句：我只测了 15 种方法里的 2 种、4 个环境里的 1 个，而且选的恰是谱系两端——最简单的检索记忆，与论文执行象限里最强的那一类程序型记忆；论文点名在 128K 跌破的 MemAgent、MemoBrain 都不在其中，所以“没有跌破”有一部分是选择本身决定的。能说的是，在这个子集和这个骨干上，“记忆在 128K 变成负资产”没有发生，发生的只是”便宜的记忆先失效”——检索记忆的增益对预算最敏感，程序型记忆的增益更耐久。把 ACE 那 12 个点的收窄拆开看：一半来自基线自己变强（A0 多对了 3 条任务），另一半来自 ACE 回落（少对了 3 条）——两个变动都只有 3 条的量级，合起来是图形，拆开讲不成故事。这一格也与论文 Finding 4 同向：三臂里唯一的程序型方法 ACE，两档都是最强的那一个。

统计上要泼一盆冷水：每格只有 50 条，一格 95% 区间大约 ±14 个点，4 分的差距不过两条任务。好在六格跑的是同一批 50 条任务，可以配对着看成败翻转：16K 档，ACE 比基线多对 9 条、少对 0 条；但把收窄幅度本身拿去做配对 bootstrap，ACE 那 12 个点的 95% 区间下限正好压在 0 上，BM25 的收窄与零无法区分。所以本文的方向判读是描述性的：图形与论文同向，ACE 一臂有配对证据垫底；单看某一格去争输赢，是在噪声里找结论。

记忆要交的租金：成本解剖

论文报告了分数，也报告了各方法的总 token——但那是任务执行与记忆模块合并的总数（见其附录效率表）。它没有把记忆模块自身的调用单独拆出来。这次我按用途拆开，得到一组论文里没有的数字。

300 个 episode 共消耗约 1517 万输入 token、54 万输出 token。ACE 在自己的 100 个 episode 里，记忆模块——每轮之后的反思与经验策展调用——吃掉 266 万 token：只算 ACE 自己的输入，记忆模块占约 36.5%；摊到全程 300 个 episode 的总输入，则是 17.6%。它的输出 token 约为无记忆臂的 7.4 倍，因为反思和策展都是生成型调用；而输出单价是输入的 6 倍，按金额算，这 7.4 倍比输入端的占比更伤账单。换句话说，ACE 每花 100 个输入 token，约 36.5 个花在了维护记忆上，而不是推进任务本身。BM25 不产生记忆维护调用：索引与检索都在本地做，不调用模型；但检索出的文本仍要进上下文，那部分输入 token 记在它自己的任务账上——它省的是维护调用，不是上下文。

量级感可以和论文自己的效率表对一下：DeepSeek 口径、128K 档，ACE 的总 token 约为无记忆基线的 1.8 倍，多出的部分约占 ACE 总量的 43.5%——与我这里拆出的 36.5% 是同一个量级（口径不同：论文是总 token 对基线之比，我的是 ACE 输入内部的用途拆分）。

这组数字改变了”记忆值不值”的算法。+18 分的增益不是免费的，光 ACE 一家的租金就是自身输入的三分之一还多，外加七倍多的输出量；而且这笔租金与预算档无关地存在——128K 档增益缩到 +6 分时，ACE 的记忆模块仍然吃掉了几乎同样多的 token（16K 档 134 万、128K 档 132 万）。评估一个记忆方法时，记忆自身的调用应该计入方法成本，不能藏在基础设施里一笔带过。按 Luna 档的公开标价（输入 0.20 美元、输出 1.20 美元，均按每百万 token）折算，这次 300 条任务的总价约 3.7 美元（网关账户的实际计价以其自身为准，我看不到）——便宜的是骨干，贵的是结构。

没测的部分

• Finding 5（难度翻转）未测。 预注册里留了一个次级探针，用作者自带的难度分档在 CrossEp-Know 象限上测”易题记忆为负、难题记忆为正”。探针跑到试点阶段，网关账户额度耗尽，我把它叫停了，没有取得可判读的数据。所以本文对 Finding 5 不下任何结论，它在上文出现时只是作者自报。
• 论文的长上下文对照（Gemini-3-Flash、GPT-5-mini 等专有模型）我无法复跑，其分数按作者自报引用。
• 其余三个象限、另外十三种方法、论文的 DeepSeek-V3.2 原口径，都不在本文证据范围内。

这与本博客此前的 Beacon 跨工具记忆实测正好接上。那次的结论是：记忆只对”仓库本身推导不出的知识”有增量，自动捕获与蒸馏层脆弱。两次证据形态不同——那次是单系统深挖，这次是横评协议下的子集复测——但指向同一件事：记忆的增益从来不是默认存在的，它是一组条件的函数。这次补上的条件是预算：上下文越便宜、越大，预先存好的记忆就越不值钱；先失效的，是只做检索的那一类。

结论

如果你在给 Agent 选记忆方案，这次复测能支持的用法只有三条。第一，先报预算再谈增益：任何记忆方法宣称的提升，都要问一句是在多大上下文预算下测的，预算放大一档，增益可能就蒸发过半。第二，把记忆模块自己的 token 写进成本表：生成型记忆（反思、策展、总结）的租金可以达到其自身输入的三分之一还多（本例 36.5%），它不随增益收窄而减少。第三，在这类工具调用任务上，程序型记忆（本例的 ACE）两档都更强，但要为它的调用成本付费；纯检索记忆在预算充足时增益最先归零，只适合预算真正受限的场景。出了这个环境先别急着搬：论文 Finding 7 显示，网页搜索、具身等其他执行领域最适配的记忆形式并不相同。

至于这篇基准本身，我的判读是：Finding 3 的收窄模式，换了一个端点、缩到一个子集，方向仍然对得上，这是它最有用的部分；只是端点身份无法独立核验，这算跨端点的探索性复测，不构成跨骨干的证明。128K 跌破基线的更尖锐说法，在我的子集里没有出现，要判断它对更多方法是否成立，需要有人在原口径上跑完剩下的十三种方法。那不是本文的结论，是本文留下的作业。

---

证据边界：论文数字均为 arXiv:2605.18421 v3 作者自报；我方数字只对上述子集、三臂两档与网关标注端点成立，单次运行。完整回执（含六格原始计数、token 拆分、偏差登记与统计限制）、逐题数据与配对分析脚本已随本文公开（见文首 publicRepository），可逐文件校验 SHA256SUMS。