长期智能体的「记忆膨胀」成了新成本墙
一个在环境里持续运行的智能体，会不断把交互、决策与结果写进外部记忆。跑得越久，要存的东西越多，检索越慢，成本也越高。过去一年里，记忆架构的论文大多在回答「怎么把该记的记全」，却少有人问另一个问题：是不是有相当一部分经验，其实根本不值得逐条保存？
MemoWM（arXiv:2610.10778，10 月 7 日挂出）给出的思路很直接：先用世界模型把环境里可复用的规律提炼出来，再让记忆只保留「世界模型预测不了的那部分」。换句话说，能被模型重建的细节不必落盘，省下的存储留给真正有价值的经历。
世界模型当「压缩器」，而不是当「大脑」
这篇工作的关键判断是，世界模型捕获的是跨经验共享的规律，它本身就能替代大量逐条记录。MemoWM 据此设计了一个按任务分配记忆的机制：对每条经验，它权衡「重建误差的期望损失」与「存储成本」，只保留下游任务真正用得上的信息，其余在需要时用世界模型的共享预测补回来。
在五个长期记忆基准上，MemoWM 平均答案准确率达到 42.42%，比领先基线高出 2.62 个百分点；与此同时，相对于当前最省存储的基线 MIRIX，单条经验的平均存储下降了 53.9%。也就是说，它一边省掉一半多的存储，一边还把准确率往上抬了一点——这通常不是人们预期的方向。
一个被忽略的权衡：共享算力 vs 反复存储
论文里还有一个值得做工程的人盯住的发现：世界模型越强，单条经验要存的就越少，任务质量却差不多；但如果把模型参数也计入总成本，就会出现「共享模型容量」与「反复发生的存储开销」之间的拉扯——随着保留的交互越来越多，让总存储最小化的那个最佳容量反而会变大。
这对长期智能体的部署有现实意义：在廉价机器上跑长任务时，与其无限堆记忆，不如把一部分「记忆力」挪给一个共享的世界模型，用算力换存储。存储和算力不再是二选一，而是可以重新切分。
它和近处的几篇记忆工作不是一回事
同周挂出的记忆论文不少，但抓手不同。上一批我们写过的 MemCo 用的是本地加全局记忆的互补路由，解决的是「跨环境怎么借经验」；MemoWM 用的是世界模型做经验压缩，解决的是「单环境里记什么最划算」。一个管横向复用，一个管纵向精简，可以叠加，并不冲突。
更广义地看，MemoWM 把智能体记忆从「能存多少」的检索思维，扭成了「该留多少残差」的生成补偿思维。当长期陪伴型、长期执行型智能体走向 Commodity 硬件，这种思路会比单纯加向量库更有用。