Agent 升级底座模型后，记忆系统悄悄失效？四种记忆表示形式的迁移损耗有多大
- 关联论文：2609.05339
你是不是有过这种体验——给 LLM Agent 升级了更强的底座模型，结果用户反馈："它好像忘了之前告诉过它的事"。直觉上"模型更强 = 体验更好"，但实际生产中 Agent 记忆系统的迁移被严重低估，升级模型反而可能让记忆"静默失效"。
Agent 记忆有四种主流表示形式，迁移稳定性天差地别。
第一种 LC-RAW——把完整对话历史原文整段塞进 LLM context，依赖模型的长上下文能力直接读取。第二种 RAG——把历史切 chunk 存向量数据库，query 时按相似度检索。第三种 NOTES——用一个模型把历史压缩成自然语言摘要笔记，存的不是原文而是浓缩版。第四种 KG-fixed——用固定 schema 把历史抽取成知识图谱三元组（subject-relation-object）。
直觉是"记忆内容没变，只是换模型读"，但实测结果令人意外——用两个 <10B 开源模型做 48 个合成历史的迁移测试，发现精度变化差异巨大：
- KG-fixed 最稳：跨模型迁移后精度只变化 ±0.0004（writer swap 后）。固定 schema 的结构约束天然隔离了模型差异——schema 是结构而不是语义压缩，新模型不会"误解"字段含义。
- NOTES 最不稳：跨模型迁移出现 +9.91 或 -13.28 个百分点 的不对称偏移（取决于迁移方向）。压缩成自然语言笔记高度耦合原模型的 tokenization、词汇空间和推理风格，换到新模型后语义对齐严重丢失。
- RAG 部分迁移效益极低：50/50 混合新旧 embedding 索引，只拿到全量重新 embedding 收益的 41.7%——58.3% forfeit 掉了。
- store-only 修复几乎不可能成功：只保留压缩笔记、不保留原始历史的修复路径，48 个测试用例无一达到 90% 性能恢复线；保留原始历史的修复在其中一个方向上 34/48 达到目标。
更精妙的是消融分析，把精度损失拆到两个正交根因：NOTES 损失的 80% 来自初始构建时丢失的信息（不是推理时），RAG 损失的 81% 来自检索失败（不是阅读理解）——这两个问题根源不同，需要不同的工程干预策略。
论文是 18 页 / 3 图 / 7 表，GitHub 链接原文未明确给出（⚠️ 建议自行 fetch PDF 核验），正处于审稿阶段。
落地前有几个 P0 风险要看清楚。两个 <10B 模型的具体名称 abstract 没披露——实验可重复性无法核实。48 个合成历史的构造细节需读 PDF §3 确认——随机答案代码是否与真实用户交互历史可比性存疑。+9.91 与 -13.28 pp 两个方向分别代表哪个模型迁移，abstract 没明确标注。对更大模型（>10B）和商用闭源模型（GPT-4 / Claude）是否适用——完全未知，这是工业落地最关键的泛化性问题。
之所以说它重要，是因为业界普遍关注模型升级，但把记忆迁移当成"平移复制"严重低估风险。结论可操作：结构化任务用 KG-fixed 或 LC-RAW，开放聊天用 LC-RAW + 保留原始历史，source retention（保留原始历史）是几乎免费的保险措施。这给出了一个明确的 Agent 记忆选型决策框架——不再是"哪个抽象最优雅"，而是"哪个表示形式跨模型最稳"。
三个标题变体
- 数字钩子版：13 个百分点精度差：Agent 升级底座模型后，四种记忆形式的迁移损耗有多大
- 拟人化版：给 Agent 升级了更强的"大脑"，结果它把用户说过的事都忘了——记忆迁移的隐性陷阱
- 类比版：相当于把家里的笔记本从中文摘要换成英文摘要——原话丢了，意思也丢了
小红书风格卡片文案（可直接发布）
💡 Agent 升级了更强的底座模型，结果用户反馈"它好像忘了之前说过的事"？
直觉是"模型更强 = 体验更好"，但实际生产中 Agent 记忆系统的迁移被严重低估。
arXiv 2609.05339（Tom 等，18 页 7 表）做了啥👇
🔧 四种 Agent 记忆表示形式 - LC-RAW：完整对话历史原文塞进 LLM context - RAG：历史切 chunk 存向量数据库，相似度检索 - NOTES：用模型压缩成自然语言摘要笔记 - KG-fixed：固定 schema 抽取成知识图谱三元组
📊 实测迁移精度变化（2 个 <10B 模型，48 个合成历史） - KG-fixed 最稳：跨模型迁移后精度只变 ±0.0004——schema 是结构不是语义，新模型不会"误解" - NOTES 最不稳：跨模型迁移出现 +9.91 / -13.28 pp 不对称偏移——压缩笔记高度耦合原模型 tokenization 与词汇空间 - RAG 部分迁移效益极低：50/50 混合新旧 embedding 只拿到全量重做收益的 41.7%，58.3% forfeit - store-only 修复几乎不可能：48 个测试用例无一达到 90% 性能恢复线；保留原始历史修复在其中一个方向 34/48 达标
🧠 消融分析精妙 把精度损失拆到两个正交根因： - NOTES 损失 80% 来自初始构建时丢失的信息（不是推理时） - RAG 损失 81% 来自检索失败（不是阅读理解）
两个问题根源不同 → 需要不同的工程干预策略。
💡 关键洞察 业界普遍关注模型升级，但把记忆迁移当成"平移复制"严重低估风险。 结构化任务用 KG-fixed 或 LC-RAW，开放聊天用 LC-RAW + 保留原始历史（几乎免费的保险措施）。
⚠️ 坑别忽略： - 两个 <10B 模型具体名称未披露——实验可重复性无法核实 - 48 个合成历史构造细节需读 PDF §3——随机答案代码是否与真实交互可比存疑 - +9.91 与 -13.28 pp 两个方向分别代表哪个模型迁移未明确标注 - 对更大模型（>10B）和商用闭源模型（GPT-4 / Claude）是否适用完全未知——这是工业落地最关键的泛化性问题
🎯 一句话：Agent 记忆选型不再是"哪个抽象最优雅"，而是"哪个表示形式跨模型最稳"——KG-fixed 是结构、LC-RAW 是原文，NOTES 是压缩、RAG 是检索，每一种迁移损耗都不一样。