陪你很久的对话型智能体，必须记住早先说过的话，才能不让你反复交代背景。可指令和上下文是会变的，记忆系统得既能留当前状态、也能留历史状态，还得分清哪些是过时信息、哪些是活跃知识，并按查询取回对的证据，而不是每次都重新调大模型把历史重写一遍。10 月 6 日挂在 arXiv 的 MINDSET（编号 2610.08586，作者 Sujato Dutta 等四人）给出的判断是：长期记忆更该被当成「受控的状态管理」，而不是没完没了的总结。
不可变片段，再织成带版本的纲要
MINDSET 先把每次对话存成不可变片段，再把片段组织成带版本的纲要。新片段到来时，系统可以强化、取代、拆分或新建一条纲要，而不是把整段历史压缩成一段摘要反复覆盖。这和那种「越聊越长、越总结越糊」的记忆路线很不一样：它把「这次到底发生了什么」作为不可变事实留存，再在上面长出可演化的结构。配合迟滞机制，一个孤立的矛盾不会立刻触发对稳定记忆的重写，避免了「听到一点反例就推倒重来」的抖动。
最小能量转移与迟滞闸门
把片段织进纲要时，MINDSET 用一个最小能量状态转移来平衡五种代价：表示失真、矛盾、历史损伤、碎片化、内部不一致。直觉是，任何一次「把新片段并入记忆」的动作都有代价，系统要在这些代价之间找一个最小扰动的落点。迟滞闸门则负责兜住噪声：一个孤立的矛盾先不触发改写，等它足够稳定再动。这两件事合起来，让记忆的演化更像受控的状态机，而不是随时可能被一句话带偏的文本流。
为什么不直接让模型把对话越压越短？continual summarization 的坑在于，摘要会悄悄丢掉「这条结论当初为什么成立」的来龙去脉，还会把互相矛盾的片段揉进同一段话，等真要用时才发现记岔了。MINDSET 的不可变片段加版本化纲要，等于把「发生了什么」和「现在该怎么理解它」分开存：前者不许改，后者可以演化。迟滞再兜住噪声，避免一条孤立反例就推倒整张纲要。对一个要长期陪用户的 agent，这种「事实不可变、理解可演化」的分工，比反复重写历史更扛得住时间，也更容易事后说清「为什么当时这么记」。
评测结果
作者在 850 道题上把 MINDSET 与五个记忆系统对比（700 条 LoCoMo 加 150 条 MemoryAgentBench）。MINDSET 拿到最高的 LoCoMo 答案 F1，并在检索排序（Recall@8、MRR、nDCG@8）上显著优于次优方法，霍尔姆校正后 p 值小于 0.01；在 MemoryAgentBench 上也取得最高观测分，只是相对差异不大。消融实验指出，受控的碎片化和纲要感知的归属，是答案质量提升最主要的来源。作者还用 GLM-4.7 与 Gemma-4-31B 做了 700 题的跨模型验证，说明这套方法不挑底座。
记忆该被当成状态管理，不是总结
MINDSET 想传递的观点很明确：当一个智能体要长期陪你，记忆不该被理解成「把对话越压越短」，而该被理解成「把状态管得越来越准」。我们此前覆盖过把记忆写成图、把记忆做成只追加的几种路线，MINDSET 把这条线推到了「版本化纲要加最小能量转移」这一层：记忆的演进被显式建模成状态迁移，而不是隐式地靠摘要去近似。当然，它验证得最充分的是对话与长程问答场景，换到工业界那种结构更松散、证据更嘈杂的任务，版本纲要的构建与维护成本会不会反过来压过收益，仍要等更宽的落地来回答。
对做记忆模块的团队，一个可立即借用的思路是：与其反复总结，不如先分清「哪些是不可变事实、哪些是会变的纲要、哪些矛盾值得触发迟滞」，把记忆当成状态机来设计。