多智能体系统的记忆层，近两年几乎成了「不加就落后」的默认选项。一篇 10 月挂出的论文却给这股军备竞赛泼了冷水：在一套受控实验里，持久记忆层既没有带来可检测的准确率提升，反而多吃掉了宝贵的上下文缓存。它真正的价值，不在于结论本身，而在于提醒我们该怎样去审视那些「加记忆就更强」的宣称。
把两件事分开测
作者在一套三层 Agent 架构上，同时测量了「把推理分解到协作 Agent」和「加一层持久记忆」这两件事。前者确实有用：把长上下文推理拆开，每查询的峰值 KV 工作集降到 14.3 MiB，而单次直推和检索增强分别是 35.5 和 35.3 MiB。但后者没有：在 8 组受控数据集对（每臂样本量 100）上，持久层让峰值缓存增加 0.368 MiB（区间 +0.167 到 +0.590），准确率变化是 +0.015，而 95% 置信区间跨过了 0（从 -0.011 到 +0.046）。换句话说，测不出差别。
为什么是「结构性」的空结果
作者进一步指出，这个空结果不是偶然：单问题基准给每条样本配好了自己的证据、独立评分，而且正确性要求在不同条件下重置存储轨迹，于是回忆层根本没有可供提取的有效信息。换句话说，这类基准从设计上就测不出持久记忆的收益。
更耐人寻味的是方法论细节：要得出「空结果」这个结论，作者做了四次测量校正，其中三次会夸大表面收益，第四次才让该量级的效应变得可分辨，而这四次校正都没有出现在结果表里。这恰恰说明，很多记忆层的「准确率提升」可能来自测量方式本身。
冷思考：不是否定记忆，是否定无条件的增益
这篇论文并不否定记忆的价值，它否定的是「加了记忆层就一定更强」这个隐含假设。真实的多轮、跨会话场景里，记忆当然有意义，但前提是设计成可检验的：作者给出了记忆消融必须满足的条件，以及一套不需要知道具体缺陷就能运行的检测流程。
对读者来说，更实用的启示是：看到某款 Agent 宣称「接入记忆后准确率提升」，先问一句——这个提升，是在哪种基准、哪种测量口径下得到的？单问题基准上的增益，往往经不起跨条件的推敲。把评判权交还给方法学，而不是交还给厂商的发布会，才是这篇对照实验留下的真正增量。