agent 的记忆需要门卫：WikiTrace 和 FGSE 先验证再记住

记忆让 agent 变笨的次数，比厂商愿意承认的多。做 WikiTrace 的 KAIST 团队（https://arxiv.org/abs/2611.14320，代码 https://github.com/yukyeongleee/wikitrace）给这个现象起了名字：记忆诱发退化。没记忆能做对的题，有了记忆反而做错，因为 agent 照着一条错误经验去做，或者把一条对的经验读歪了。根子很简单：经验是从只标了成功或失败的运行里提炼出来的，交给 agent 的时候又把原始运行扔掉了，想核对也没处核对。

WikiTrace 的做法是保留凭据。每条经验存成一句简短洞察，链接到一段“这次为什么成功或失败”的总结，再链接到原始轨迹。遇到新任务，agent 先看所有洞察；哪条说得含糊、和别的打架、或者来自失败的运行，就顺着链接用终端工具往下翻，补全细节或者纠正之后再动手。在 ALFWorld、ScienceWorld、PlanCraft、AppWorld、tau-bench Retail 构成的八组测试上，WikiTrace 平均 90.2，无记忆是 79.5，比只给同样洞察不给链接高 3.2 分。更关键的是回退率，也就是无记忆能做对、加了记忆反而做错的比例：WikiTrace 4.5%，只给洞察 6.5%，无记忆重跑一遍的自然波动是 9.7%。它是论文里唯一在每组测试上都不输无记忆的方法。

同一天的 FGSE（Falsification-Gated Self-Evolution，https://arxiv.org/abs/2611.14326，Tang 等）从写入端解决同一个问题。每条候选经验被写成一个假设：前提条件、行为改变、预期效果、验证方式。先在临时状态里应用，跑迁移测试、证伪测试和历史回归测试，再决定提交、修改还是丢掉。报告的结果：WebArena 成功率 39.8，AppWorld 平均完成度 78.8，tau-Retail 和 tau-Airline 的 Pass^1 分别是 0.724 和 0.487；证伪失败压到 5.0%，回归损伤 1.3%，有害的已提交更新 3.6%。

一个在读的时候查，一个在写的时候查。两者都把记忆当成要上生产的代码：没有证据，不准合并。这个直觉是对的。agent 给自己写的记忆文件，是你整个系统里最没人审的代码，而一天之内两篇论文说明了，在它前面装个门卫并不贵。