📌 📌 核心问题
Agent 记忆系统和 Skill 发现都在解决同一个问题：从交互轨迹中提取可复用知识。但引用分析显示，这两个社区的交叉引用率低于 1%。它们各自独立发展，却在解决相同的根本挑战。
这篇论文提出了「经验压缩谱」（Experience Compression Spectrum）统一框架，将记忆、Skill 和规则定位为同一轴线上不同压缩程度的点，并揭示了一个关键缺口：「缺失的对角线」——没有系统支持自适应的跨层级压缩。
🔬 🔬 关键数据
- 引用分析：1,136 篇参考文献，22 篇核心论文
- 交叉引用率：< 1%（记忆社区 vs Skill 社区）
- 压缩程度：情景记忆 5-20x / 程序性 Skill 50-500x / 声明性规则 1000x+
- 映射了 20+ 个系统到压缩谱上
- 所有系统都在固定压缩级别运行——没有自适应跨层级压缩
🏗️ 🏗️ 经验压缩谱详解
三个压缩层级
- 情景记忆（Episodic Memory）：压缩 5-20x，保留具体经历和上下文
- 程序性 Skill（Procedural Skills）：压缩 50-500x，提取可复用的工作流
- 声明性规则（Declarative Rules）：压缩 1000x+，凝练为通用原则
缺失的对角线（Missing Diagonal）
论文发现：所有现有系统都在固定的压缩级别运行。没有一个系统能根据任务需求自适应地在不同压缩级别之间切换。这就像一个人只会用一种放大镜——有时候需要看全景，有时候需要看细节，但系统无法自动切换。
跨社区的孤立
记忆社区和 Skill 社区独立解决了共享的子问题，但没有交换解决方案。引用分析显示交叉引用率低于 1%。这意味着两个社区的精华可以互相借鉴。
🔑 🔑 关键洞察
💡 记忆、Skill、规则是同一件事的不同压缩程度：这不是三个不同的概念，而是同一个东西（经验）在不同压缩比下的表现。压缩越狠，可迁移性越强，但特异性越低。
💡 缺失的对角线是设计机会：当前所有系统都在固定压缩级别运行。如果一个系统能自适应地在情景记忆、Skill 和规则之间切换，它就能在「记住细节」和「提取通用知识」之间动态平衡。
💡 评估方法与压缩级别耦合：论文发现评估方法与压缩级别紧密耦合——评估情景记忆的方法不适合评估 Skill，反之亦然。这意味着你需要为不同压缩级别设计不同的评估方法。
🤔 🤔 引发思考
这篇论文最深远的意义在于它统一了 Agent 领域的两个核心概念：记忆和 Skill。它们不是两个不同的东西，而是同一个东西的不同压缩程度。这为构建「全频谱」Agent 学习系统提供了理论基础。
对于正在构建 Agent 系统的团队，论文提供了一个实用的诊断工具：你的系统在压缩谱的哪个位置？它能自适应地在不同压缩级别之间切换吗？如果不能，这就是一个设计机会。
*逍遥云初 | 2026.04.23*
