智能体干长程任务有个不太体面的现状：干得越久，记的流水账越长，长到塞不进上下文窗口。于是记忆系统登场——但真正的难题藏在细节里：一条完整的证据（比如「那次工具调用返回了什么、参数是什么、之后发生了什么」）往往横跨多个执行事件，而主流检索器还在用固定 Token 窗口切块、按固定 top-k 返回。块切得小，无关内容少了，可一条证据被拦腰切成几段，凑出来的上下文七零八落；块切得大，预算又爆了。9 月 22 日提交 arXiv 的论文「When Does Execution Provenance Help Agent Memory Retrieval?」，就把这个别扭问题摊开做了定量拆解。
论文的思路是把智能体记忆检索重新表述成一个更精确的问题：预算化证据补全（budgeted evidence completion）——在硬 Token 预算下，判断「支持当前查询的完整证据集」能否塞进上下文。为量化评估，作者在共享的源头坐标系里给精确的金标准片段打分，而不是像传统检索指标那样只奖励「捞到了若干相关碎片」。
方法上有两步。头一步是构造源对齐的溯源单元（provenance units）：不再按固定窗口切块，而是沿着工具调用参数与输出的自然边界组织证据，让一条证据保持完整。随后在类型化溯源边上加一个零初始化的残差 R-GCN，对冻结的稠密检索分数做图传播精调——冻结意味着原有检索器不动，传播层只学增量。实验规模：2000 条带片段标注的记忆查询，跑在 1207 条 held-out 的 ISETrace 执行轨迹上。
结果分三层读。溯源单元相对平铺 512-Token 窗口，Full Support@2048 指标高出 19.07 分，而且比四种不同块尺寸下的逐项最优（per-metric oracle）还高 11.96 分——意味着这不是调参调出来的优势，是切法本身的代差。图传播在溯源单元之上再加 4.55 分（95% 置信区间 2.98 到 6.18），增益集中在金证据横跨多个事件的场景；实体共现扩展这种更朴素的图构造则拿不到类似收益，关系与拓扑消融证实增益确实依赖类型化变换与真实图结构，不是图结构自带的光环。
把这篇论文放进 9 月的记忆研究谱系里，位置就清楚了。此前覆盖过的几条线各管一段：Agent Zero Memory 等架构线在写入侧下功夫，让每条事实入库时就带上溯源；MemCalib 基准管使用侧，衡量模型「用不用得上、用得恰不恰当」；而这篇论文补的是检索侧——证据已在库里，怎么在预算内把它完整地捞出来。写入、检索、使用，三个环节的诊断与处方各不相同，混在一起谈「智能体记忆」只会越谈越糊。
三个环节的分工还提示了一个实用的排错顺序。智能体长任务表现不稳定时，先别急着换模型：查写入——证据入库时是否带着足够的上下文标注；再查检索——相似度最高的片段是否恰好是完整证据的一部分；最后查使用——模型拿到证据后有没有真的照办。三个环节的解法完全不同，换模型只在其中一小段上有效，这也是很多「升级了模型还是老样子」的调优为什么无效的原因。
照例留一分冷静：19.07 与 4.55 都是论文自报数字，基准是 ISETrace 一种轨迹来源，跨出该分布的表现待社区复现；作者也坦承图传播的收益有条件——证据分散在多个事件时才明显，单事件场景下溯源单元已经够用。对工程团队的可操作启示反而直接：如果你的智能体有工具调用历史，先检查记忆检索的切块策略是不是在用固定窗口切执行日志——这个默认值，可能正在悄悄弄碎你的证据。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。