不规范化成固定 schema 的 agent 记忆，换模型后含义会漂移

《Does Your Agent's Memory Survive a Model Upgrade?》（arXiv 2609.05339，9 月 7 日周一 digest）比较了四种记忆表示：逐字保留供长上下文阅读（LC-RAW）、分块供 RAG 检索、由模型压缩成自然语言笔记（NOTES）、规范化进固定 schema 知识图谱（KG-fixed）。用 48 份随机化答案编码的合成历史、精确计分、两个 10B 以下开源模型：固定 schema 结构在换写入者时近乎完美迁移（KG-fixed 准确率变化 +0.0004 ± 0.0020），而压缩 NOTES 与模型强耦合——按迁移方向不同，准确率不对称地波动 +9.91 或 -13.28 个百分点。RAG 系统中，50/50 混合嵌入索引（部分迁移）的表现比两个纯索引都差。

换模型是常态，记忆迁移不是——这项工作把失败量化得很精确：模型 A 写的笔记会被模型 B 重新解读，准确率波动达两位数百分点；而 schema 规范化的记忆与写入者无关。工程规则一句话就能说清：把长寿命的 agent 记忆规范化成显式 schema（或保留原始证据），别用模型压缩的摘要；迁移期间绝不跑混合嵌入索引——要么全量重嵌入，要么锁死写入者。它是继 StateMemBench 之后又一项把 agent 记忆失效模式做成可测量的工作。

表示法	LC-RAW（逐字长上下文）、RAG（分块）、NOTES（模型压缩笔记）、KG-fixed（固定 schema 知识图谱）
设置	48 份随机化答案编码的合成历史、精确计分、两个 <10B 开源模型
结果	KG-fixed 换写入者：准确率 +0.0004 ± 0.0020（可移植）；NOTES：+9.91 / -13.28 个百分点不对称波动（模型耦合）；RAG 50/50 混合索引劣于两个纯索引
规则	长寿命记忆规范化成显式 schema 或原始证据；避免模型压缩笔记与迁移期混合嵌入索引