一句话：现有记忆系统都只记「是什么」，没人记「做 X 导致了什么」——而经验的核心恰恰是决策的后果。这是我工作之余的一个探索：试了几个现成系统都不记因果，顺手做了一个。下面讲清楚为什么需要它、跟现有方案差在哪、效果如何。

引子：LLM 是无状态纯函数

flowchart LR
  REQ["POST /v1/chat/completions<br/>messages = [user, assistant, user...]<br/>(整个数组 = agent 此刻全部记忆)"]
  MODEL["模型 W<br/>纯函数 · 不带状态"]
  OUT["output = f(W, messages)"]
  REQ --> MODEL --> OUT
  MODEL -.->|"处理完即丢<br/>下次请求 = 全新调用"| REQ

记忆不在模型里，在那个 messages 数组里。 你不塞，它就空——agent 是条 7 秒金鱼。context = 每次要重拼的数组 → 三个问题：塞什么 / 撑满怎么办 / 塞事实还是因果。

timeline
    title 五代演进
    Session : 拼满即忘
    Compact : 超限就压缩
    CLAUDE.md : 人写规则注入
    Dreaming / mem0 : 自动提炼 fact
    因果记忆 : 注入 decision → outcome

1. Session：结束即清零

flowchart LR
  S["单次会话<br/>窗口内「全知」"] -->|"关闭"| Z["❌ 全部清零<br/>下次从零开始 · 重复踩坑"]
  style Z fill:#fca5a5

有「工作记忆」，没有「长期记忆」。

2. Compact：断崖式失忆

xychart-beta
    title "压缩召回率：断崖 (Sudden Death)"
    x-axis "压缩次数 k" [1, 2, 3, 5]
    y-axis "召回率 %" 0 --> 100
    line [100, 85, 55, 45]
    line [100, 100, 100, 100]

（断崖线=文本召回；平线=因果表召回。因果表独立存储、不进压缩链。）

三个发现：① 断崖非渐进——k=2→3 直接 85%→55%（0.9^k 预测 73%，差 18pp）；② 好 prompt 救不了多次压缩（k=1 顶 100%，之后面对摘要变不回细节）；③ 因果表是第二道防线——k=2 拉开 15pp，k=5 拉开 55pp。学界印证：Broken Telephone (ACL 2025)、rate-distortion (arXiv:2607.08032)。

伏笔：因果信息活不过压缩 → 它不该塞进上下文，得有独立存储。

2.5 飘逸：有 session 也会跑偏

xychart-beta
    title "Lost in the Middle：U 形召回"
    x-axis "信息位置" [头部, 偏前, 中部, 偏后, 尾部]
    y-axis "召回率 %" 40 --> 100
    line [95, 78, 50, 76, 93]

flowchart LR
    A["U 形<br/>中段衰减"] --> B["Context Drift<br/>上下文漂移"]
    B --> C["Goal Drift<br/>目标飘逸"]
    C --> D["Identity Drift<br/>身份飘逸"]
    style A fill:#fde68a
    style D fill:#fca5a5

「只注意前半段后半段」= U 形盲区（Liu 2023）。它沿链放大成四层飘逸，每层更难救：前三层「记不全」，第四层「记不清自己是谁」。compaction 切断决策因果链 → 身份失真（Parfit：身份=因果连续性）。佐证：Agent-Omit 证中段冗余可省；UltraHorizon 的 in-context locking 证靠 scale 救不回。

3. CLAUDE.md：说明书，不是履历

flowchart TB
  R["CLAUDE.md<br/>人写的规则"] -->|"启动时全量注入"| CTX["context 头部"]
  R -.- N["❌ 静态 · 全量 · 无「我」 · 非检索"]
  style N fill:#fca5a5

跨 session 了，但记的是「规则」，不是「我踩过这个坑、那次因为 X」。

4. Dreaming：agent 自己整理，但整理的还是 fact

flowchart LR
  LOG["session 日志"] --> D["Dreaming<br/>(REM 睡眠巩固)"]
  D --> P["pattern / fact"]
  P -.->|"❌ 不记"| C["那次选了 X → 导致 Y"]
  style C fill:#fca5a5

从「人写」进化到「agent 主动巩固」。但颗粒度是 pattern，不是因果。

5. 现有记忆系统：试了一圈，都不记因果

我挨个试了 mem0 / Zep / Letta，也看了 OpenViking、MemOS——跨美中欧、五种范式，但有个共同点：都把 LLM 当无状态函数，在外面套「检索+注入」，没人把记忆写进模型参数。

精准检索效果远好于无脑全塞（Zep 用 1/72 的 token 还拿到更高分）。但全是 fact，回答不了「做 X 会怎样」——答案不在它们的数据结构里。

6. 因果记忆：记别人不记的「因果」

flowchart LR
  D["decision"] -->|"relation + 置信度"| O["outcome"]
  subgraph 极性
    direction LR
    P1["caused +1.0"]
    P2["enabled +0.5"]
    P3["prevented −0.3"]
    P4["no_effect"]
  end

双表（抄大脑 CLS）：causal_edges（海马体，拒绝压缩）+ meta_causal_edges（新皮层，抽象模式）。

因果梯级（Pearl）：

兴奋 / 抑制二元性（现有方案的普遍空白）：

flowchart TB
  subgraph Bio["人脑海马体"]
    BE["兴奋：谷氨酸 LTP<br/>(共同激活→增强)"] --- BI["抑制：GABA LTD<br/>(抑制过度激活)"]
  end
  subgraph Mem["记忆系统"]
    ME["兴奋侧：Mem0 / Zep / HeLa-Mem<br/>wᵢⱼ≥0，只增不减"] --- MI["抑制侧：causal-memory<br/>prevented −0.3 负扩散"]
  end
  BI -.->|"现有方案普遍没做"| MI
  style BI fill:#fca5a5
  style MI fill:#bbf7d0

手里的方案 + HeLa-Mem 兴奋侧都覆盖了，抑制侧普遍空着——prevented 是我在这方向的一个尝试。滴滴 DMS 也在做记忆自进化，不过它选「策略」，我这个 sleep 选「因果边」。

CausalEval 81%（其它方案在这类因果任务 = 0）。诚实：纯 fact recall 不如 mem0——因果不取代 fact，填 fact 够不到的那层。

7. 总结：三级跳

遗忘 → 记事实 → 理解因果。 让 agent 不仅知道「世界什么样」，还知道「自己的每个决定，把项目推向什么结果」。

参考

• 飘逸机制：Lost in the Middle (arXiv:2307.03172) · Goal Drift (arXiv:2505.02709) · Parfit 1984 Reasons and Persons
• 压缩损失：Broken Telephone (ACL 2025) · rate-distortion (arXiv:2607.08032)
• 滴滴 ICML 2026：Agent-Omit (arXiv:2602.04284) · DMS (arXiv:2601.22528) · UltraHorizon (arXiv:2509.21766)
• 因果理论：Pearl 2009 Causality · HeLa-Mem (ACL 2026)
• 现有记忆系统：mem0 / Zep / Letta / OpenViking / MemOS
• 研究素材：agent-teardown insights/07,09,10,11,16,17 · papers/02
• 本项目：causal-memory · docs/research-backdrop.zh.md · docs/hippocampus-design.md