十月最后一周，我把 memory.py 整个注释掉了。
不是重构，也不是优化，是让它彻底不参与——代码还在仓库里，一行都不跑。
- from memory import remember, recall
+ # from memory import remember, recall # 先放放，理由见下
起因是我刷到 10 月 21 号挂上 arXiv 的一篇短文，MemoryTax，作者 Zedong Peng，cs.CL 和 cs.AI 双挂。标题里那个 tax，我第一眼以为是修辞，读完发现是字面意思：提前决定「什么该记住」这件事本身要花钱，而且经常花得不值。
我这两周干的就是这件事。
def remember(turn):
if looks_important(turn): # 关键词命中 + 长度阈值
store(turn)
# TODO: 重复的内容要不要合并
# TODO: 用户改主意了，旧的那条到底删不删
looks_important 我前后改了三版，第三版还加了一条「含疑问词就记住」。写完我自己都觉得荒唐——我在用今天的我，去猜三周后的我会问什么。
论文里有句话让我在椅子上坐了一会儿：智能体记忆存在一个上限，这个上限由写记忆的那个模型决定；读的时候换成更强的模型，也捞不回来弱模型写的时候漏掉的东西。
我那个负责写记忆的模型就是我自己。学了两个多月、连自己项目的数据流都还没摸顺的那个我。
它比我讲究的地方是，人家至少拿真系统去比：Mem0、Zep 这种预建记忆，对上「什么都不筛、原始历史全留着、让模型自己拿工具翻」。数据集是 LoCoMo 里的一段对话，419 轮，152 个问题。四种记忆方法配三种编码智能体，每种组合再分别跑三个模型。
最扎心的一条：Mem0 只有在配 GPT-4o-mini 的时候赢过完整上下文，而且光「建记忆」这一项的开销，就超过跑一次完整上下文的总成本。
我对这条的理解可能有点偏，先这么记着：预建记忆干的是替弱模型补课的活，可补课的老师也是那个弱模型，补出来的笔记，上限就在那儿。
Pi 在 Claude Opus 5.5 下拿了 99%，成本不到完整上下文的一半。我看见 99% 的第一反应是「这也太猛了吧」。
往下读才发现，这个数是由几部分凑出来的。Pi 的一部分领先来自只有智能体能读到的照片说明文字；在 88 个证据里不含照片的问题上，Pi 和完整上下文只差一个答案；它唯一答错的那题，还是参考答案本身标错了。
有人在讨论 Pi 这成绩算不算有水分。水不水分的跟我没关系——我的项目里没有照片，没有说明文字，所有「证据」就躺在对话记录里。那个 99% 我先打对折看，打完折剩下的结论还是同一句：别提前筛。
写到这儿我得停一下，我不太确定自己是不是又被一篇论文带着走了。
上周我还在给 looks_important 调阈值，觉得这套东西再养两周就能用；两天前看完那篇，立刻觉得它一文不值，注释掉的时候甚至有点痛快。这中间哪一步是我自己想通的，哪一步只是刚读完一篇写得挺有说服力的东西，我分不清楚。可能下周我又把 memory.py 放回去。
还有个让我心里没底的细节：这篇论文每个实验组合只跑了一次。我这种被「多跑几次取平均」吓大的人，看到这个应该警惕才对。但我还是信了，因为它跟我自己踩的坑对上了——没跑对照组这件事，我自己不也干了两个星期？
这算不算 confirmation bias？可能算。评论区蹲一个大佬，谁懂这个统计上的门道，帮我说一句。
现在我的做法很土：什么都不筛，原始历史全塞进去，让同桌自己去翻。今天的同桌是 Claude Code。
成本是真的肉疼。每多聊几轮，context 就多一截，到后面每一次请求都像在往里面倒钱。但比起我花两周写的那个模块，我倒觉得这个钱花得明白——至少我知道钱花在哪儿，而不是花在一个我自己都说不清楚为什么这么写的函数上。
这块知识对我来说还是很夹生。BM25 那条线我压根没试过，全量塞迟早会撞上 context 上限，撞上之后怎么办，我现在没答案。是不是那时候还得回头去建记忆，我也说不准，到时候再说。
还有个更基本的问题一直没搞明白：判断一段信息「以后有用」，到底需不需要先知道以后要问什么？如果不需要，我那个 looks_important 就还有救；如果需要，它从第一天起就是错的。
我倾向后者，但这是我今天看完论文之后的倾向，不作数。
明天打算先把完整上下文那版跑通，把每次请求的实际开销记下来，数字总比感觉可靠一点。跑完是多少，我再来写。