Meta AI 提出主动记忆代理：让智能体学会「该提醒时才提醒」，Terminal-Bench 正确率提升 8.3 个百分点
- Meta AI 提出「主动记忆代理」，与不改动的执行智能体并行运行，定期更新结构化记忆库，并主动判断要不要给执行智能体插一句提醒。
- 在 Terminal-Bench 2.0 上，Claude Sonnet 4.5 配上记忆代理后正确率从 37.6% 涨到 45.9%（提升 8.3 个百分点）；在 τ²-Bench 上从 55.0% 涨到 61.8%（提升 6.8 个百分点）。
- 消融实验显示：让记忆代理自己判断「该不该开口」，比把记忆库全量展示、强制每步都提醒、没有记忆库只给建议、或接一个通用记忆检索层 Mem0，效果都更稳定。
- 团队尝试用开源小模型 Qwen3.5-27B 训练同款记忆代理（监督微调加强化学习），给换成开源模型 Qwen3.5-122B 的执行智能体配上后，Terminal-Bench 正确率从 37.6%（开源执行模型自己的基线，恰好和 Sonnet 4.5 的基线同值）涨到 41.1%，提升 3.5 个百分点，增益小于用 Claude Opus 4.6 当记忆代理的版本。
- 论文正文写的代码仓库经核实是空仓库（size 为 0，创建后从未推送过代码），截至 2026 年 7 月 13 日尚未真正开源。
Meta AI 最近发布了什么
Meta AI 研究团队于 2026 年 7 月 9 日在 arXiv 发布论文，提出给执行长任务的 AI 智能体旁挂一个「主动记忆代理」，专门负责判断什么时候该提醒、什么时候该保持沉默。
论文全部作者来自 Meta AI。它要解决的问题很具体：当一个 AI 智能体连续干上百步、跑很长一条任务时，它常常会「忘掉」自己早先该守的规矩，哪怕那些信息还明明白白留在对话记录里。下面先看清这个问题本身。
任务做长了，AI 会不会悄悄忘记该守的规矩
论文给这个失败模式起了个名字，叫 behavioral state decay（行为状态衰退）。信息并没有丢，还躺在记录里，只是不再起作用。
一个长任务会不断产生新东西：任务要求、环境事实、之前试过什么、诊断出的毛病、还没做完的子目标。随着轨迹越拉越长，这些信息要么被挤出模型能看到的上下文窗口，要么虽然还留在窗口里，却不再真正左右它下一步怎么做。论文把这类「应该继续约束未来动作」的信息统称为 execution state（执行状态）。
就像你把便利贴贴满了整面墙。贴的时候每一张都记得清清楚楚，但贴太多之后，你已经不会再抬头去看了。字还在墙上，只是不再影响你此刻的动作。
下面这条时间线，演示了一条早先记下的要求，怎么一步步从「鲜活」褪成「还在记录里，却不再左右下一步」：
时间线可左右横滑，翻到最后看结局 →
信息一路都在，只是不再左右下一步。论文说，这和长上下文里的「lost in the middle」（信息夹在中间就被忽视）现象有关，但更强调的是行为层面的失效。
论文举的三种典型翻车
论文由此提出一个判断：光是把更长的历史记录喂给模型是不够的。真正缺的，是一套机制去决定「这条被记住的信息，现在该不该重新拿出来影响决策」。
旁边站一个记忆管家，不干活只管「该不该提醒」
这是论文的第一个核心。做法是：干活的执行智能体一个字都不改，旁边另外跑一个记忆代理。它每隔固定步数被唤醒一次，先整理一份结构化的记忆库，再决定要不要在执行智能体的下一步里插一句提醒。
（看最近 8 条消息）
流程图可左右横滑 →