智能体记忆不是开关，是要按模型标定的剂量

学习发生在模型外面，不在模型里面

这里的「记忆」不是回放一段历史对话，而是一套行为指引：从智能体自己过去的成功与失败轨迹里蒸馏出来的策略、要避开的错误和边界情况。循环很短——智能体做任务产生轨迹，ALTK-Evolve 从成功和失败的运行里提取指引，合并成一套可复用的集合，推理时把全部或按任务挑选的一部分交回给它。

没有任何权重被更新。 改变的是智能体可用的指引，不是底下那个模型——这也正是它便宜、且能横跨八个模型移植的原因。

三档剂量，而参数量不预测你在哪一档

八个模型从 30B 稠密一路铺到闭源前沿，落成三种反复出现的形态：

• 有余量的强模型要全量。 每一条指引都要，包括罕见的边界情况，因为它们吃得下也用得上。DeepSeek-V3.2（671B MoE）拿到自己挖出的全套指引后，任务完成度涨了 9.5 个百分点。
• 弱一些的模型会被大指引集淹掉。 它们最适合一个高置信的紧凑核心，加上每个任务现取的少量相关条目。gpt-oss-120b（117B MoE）用这种选择性策略涨了 16.1 个百分点——而全量策略涨得更少、token 还多花约 50%。
• 已经饱和的模型一分不涨。 GLM-5（745B MoE）在这轮里就是如此：0.0 / 0.0。

745B 的那个没涨，117B 的那个涨得最多。 决定你在哪一档的不是参数量，而是基准上的剩余空间、上下文窗口、架构、指引质量和任务分布——研究者明确说，把这些因素分开仍是进行中的工作。

值得单独表扬的是措辞：作者写明「饱和」这个标签描述的是观察到的现象，不是已证明的原因，并列出三种都还成立的解释——模型可能本来就接近这批任务的天花板，指引可能没打中它剩下的失败模式，也可能是它没有有效地应用这些指引。本站《模型与输出评估》里那条判据在这里被作者自己执行了：一个数字说明什么，取决于它排除了什么。

最省的策略可以同时是最好的

这一点最容易被跳过，因为它违反「更多即更好」的直觉。

每一步都注入全套指引会让每个 ReAct 步骤的输入都变胖，因为指引每一轮都要重发。而 gpt-oss-120b 上，按任务检索的策略拿到 +16.1 个百分点，token 只多了 5%。

也就是说：最准的那一档和最便宜的那一档，在这个模型上是同一档。 这不是普遍规律——强模型确实要全量——但它足以说明「先上全量再说」是一个会同时输掉准确率和成本的默认值。

越严格的尺子动得越多

两种打分方式的差距本身就是发现。SGC 要求一个场景的每一个变体都通过，比 TGC 严格得多，而它普遍涨得更多：

1. DeepSeek-V3.2：TGC +9.5，SGC +16.1
2. Claude Opus 4.6：TGC +4.1，SGC +7.1（基线已是 90.5 / 87.5）
3. GPT-5.5：TGC +2.9，SGC +7.2

原因说得通：好的指引尤其帮助智能体清掉一个场景的所有变体，而不只是把平均情况做对。而且在天花板附近它并没有消失——只要模型还剩一个可被指引打中的失败模式，记忆就还在付钱。

这条信号的边界

• 全部结果来自 AppWorld 一个基准，9 个模拟应用，不是真实生产环境。
• 指引只从训练集挖掘，测试集数据没有进入构建过程——这一点作者写明了，是这组数字可信的前提。
• 「饱和」只观察到一个样本（GLM-5），且作者自己拒绝把它当成结论。
• 该团队在上一篇里比较的是指引怎么投递，这一篇回答的是该给多少；两个问题都还没有跨基准的复现。