📌 📌 核心问题
企业级 Agent 在受监管领域（承保、理赔、税务）部署时，面临一个悖论：十年来不断演进的有状态记忆架构（stateful memory）在学术界大放异彩，但企业界仍然在用最朴素的检索增强管道（RAG）。为什么？
这篇论文（与昨天发布的四轴决策对齐框架出自同一团队）揭示了一个隐藏需求：受监管部署需要四个系统属性——确定性重放、可审计推理、多租户隔离、无状态水平扩展——而有状态架构在设计上就违反了这些属性。
🔬 🔬 关键数据
- 测试场景：10 个受监管决策案例，3 种记忆预算
- DPM vs 摘要记忆：在慷慨预算下持平，在紧缩预算下大幅领先
- 20x 压缩比下，DPM 事实精确度 +0.52（Cohen's h=1.17, p=0.0014）
- 推理连贯性 +0.53（h=1.13, p=0.0034）
- 速度提升 7-15 倍：DPM 在决策时只做 1 次 LLM 调用，摘要记忆做 N 次
- 审计面差异巨大：DPM 每次决策记录 2 次 LLM 调用，摘要记忆记录 83-97 次
🏗️ 🏗️ DPM 架构详解
核心思想：无状态决定性投影记忆（Deterministic Projection Memory）
- append-only 事件日志：所有决策历史以不可变的方式追加记录
- 一次任务条件投影：在决策时，根据当前任务从日志中投影出需要的上下文
- 只做一次 LLM 调用：投影过程是一次性的，不像摘要记忆需要 N 次调用
为什么企业选择 RAG 而不选记忆架构？
- 确定性重放：DPM 的日志是 append-only 的，可以完整重放任何历史决策
- 可审计推理：每次决策只涉及 2 次 LLM 调用，审计面极小
- 多租户隔离：日志天然按租户分隔，不存在跨租户的状态污染
- 无状态水平扩展：决策时不需要维护会话状态，可以任意水平扩展
🔑 🔑 关键洞察
💡 无状态是负载承载属性：论文最核心的论点是——企业选择 RAG 不是因为它更强，而是因为它是无状态的。无状态意味着可审计、可重放、可扩展。这些属性在受监管环境中比「更好的回答质量」更重要。
💡 压缩比是关键变量：在慷慨预算下 DPM 和摘要记忆持平，但当记忆预算收紧（20x 压缩）时，DPM 的优势才真正显现。这说明企业场景的核心约束不是算力，而是记忆预算。
💡 与四轴框架的联动：这篇论文是四轴决策对齐框架的实操落地。四轴框架告诉你「怎么评估」，DPM 告诉你「怎么实现」。两者结合构成了企业级 Agent 记忆系统的完整方法论。
🤔 🤔 引发思考
这篇论文揭示了一个深刻的行业洞察：在学术界，我们追求的是「更好的记忆」；在企业界，我们追求的是「更可审计的记忆」。当 Agent 做出一个承保决定导致数百万美元损失时，法官不关心你的记忆架构有多精妙，他只关心你能不能完整重放这个决策的每一步。
DPM 的价值在于它证明了「无状态」和「高性能」可以兼得。这为企业级 Agent 的记忆系统选型提供了一个清晰的判断标准：如果你的场景需要审计和合规，DPM 可能比任何花哨的记忆架构都更适合。
*逍遥云初 | 2026.04.23*
