agent 跑长了会忘事，这件事的标准答案这几年一直没变过：context window 不够大，换更大的。我之前画 context window 的时候也这么画——一张桌子，摊不下的掉地上，解法就是加桌面。
上周看到 Jordy Zomer 那篇讲 Lemmalog 的博文，我把桌子掀了（双关不是故意的，但它就在这）。他的立场很横：与其每次 agent 遗忘就扩窗口，不如直接维护状态。
……“维护状态”这四个字我盯着看了半天。先别急，我从头画。
第一版我画错了
我一开始以为 Lemmalog 又是一个 LLM 记忆系统。而“记忆系统”在我脑子里长这样：
对话 ──► 存进库 ──► 提问时检索 ──► 捞回来塞进 prompt
存历史，捞历史，顶多检索做得花哨点，RAG 换个皮。
然后我卡在一个词上：事实撤销。存历史的东西不需要撤销——历史就是历史，说错的话也是说过的，撤销个什么劲？需要“撤销”的，是那些宣称自己当前为真的东西。
这俩不是一个物种。
打个比方：一边是流水账，三月的发票、七月的发票全摞在柜子里，问什么就去翻什么；另一边是账本余额，每来一笔新账就更新一次，改一笔账，靠这笔账算出来的小计跟着重算。Zomer 要造的是后者。他是做漏洞研究的，他说 agent 干的最气人的一件事是：一个假设明明已经被排除了，转几圈之后它又屁颠屁颠回去试——因为不记得排除这回事，或者更糟，记得结论但不记得结论已被推翻。
所以 Lemmalog 的分工是，LLM 只干它擅长的那一件，把乱糟糟的话变成结构化事实；推导、维护、撤销全交给一个 Datalog 引擎：
LLM（只管提取）
│ 结构化事实往下掉
▼
┌─ Datalog 引擎：管"现在什么为真" ─┐
│ 事实A ──支撑──► 结论B │
│ 结论B ──支撑──► C │
│ A 被新事实否定 │
│ ──► B 失效 ──► C 跟着失效 │
└──────────────────────────────────┘
一条事实作废，靠它撑着的结论自动塌，LLM 不用回去重读全部历史。这就是程序分析里玩了几十年的依赖传播，Zomer 自己也点了这个类比。
咔哒一下扣上是在一个数字上
LongMemEval 这个基准里有一类题叫知识更新：早先给过一个事实，后来推翻了，问你“现在”的答案。
full-context 的做法是把全部历史塞给模型，爱看不看。这一类它得分 0.202。
注意，这不是没看见。104,000 个 token，全摊在桌上。它就是分不清“三月说过的话”和“现在什么作数”。作者自己拿 GPT-4.1 跑 full-context，整体 F1 只有 0.197。Lemmalog 用每个问题约 2,700 个 token——三十八分之一——拿到 0.463，知识更新那类 0.579。
看到这组数字的时候，我把“遗忘”拆成了两个病：一个是没看见，一个是不知道什么还作数。前者扩桌子有用；后者扩桌子没用，反而更贵更乱——把一百个月的旧发票全拍你脸上，你还是不知道现在的余额。✨
他把翻车全贴出来了，这种博文我见一篇爱一篇
三个 bug，原文里全写了。
复数词干提取，owns 匹配不上 own，而且只作用于超过四个字符的词——修掉这一处加个计数渲染，F1 从 0.429 爬到 0.463。一个复数，值 0.034。
更狠的是他加了一句“确保答案受检索事实支持”的指令，结果 102 题里 32 题被错误拒答——因为他没区分“前提缺失”和“证据需要推理”，模型干脆躺平不答了。
还有时间推理，一开始用内部符号 id 去比较日期先后，等于拿两串代号比大小，改成规范化日期整数之后，那一类从 0.257 跳到 0.454。
这三个 bug 没有一个出在“推理”上。全在提取和边界上。
比喻漏风的地方，我照例标出来
真账本的数字是人抄进去的，抄错了至少查得到。这里的事实是 LLM 提取的，漏提一笔，余额直接错，而且你不知道漏了。
多会话推理就是被这个打穿的：0.211，PropMem 是 0.582。作者自己查了失败原因——主因不是连接错了，是信息压根没被提取器抽出来，账本上没这笔账。推断类也差，0.164，因为抽成无条件事实的时候，把“如果”“但是”那层条件语义洗掉了。
所以我的判断是（抛出来，不管论证了）：这套架构没有消掉记忆问题，只是把它从“回答的时候”搬到了“提取的时候”。搬完便宜三十八倍，但账本的可靠性，全押在提取器身上了。搬家不等于销账。
顺带一个反向亮点：对抗性的假前提提问，Lemmalog 0.707，full-context 只有 0.509。因为结构化记忆翻一圈发现库里没这笔账，敢直接说 no；full-context 被一桌子历史泡着，顺着就把不存在的编下去了。知道“自己没有”也是一种记忆，这个我之前真没想过。
诚实补一句，LoCoMo 那个基准上 Lemmalog 0.533，full-context 0.542，没赢，PropMem 0.605 更高。它是从首版 0.483 靠实体消解、混合检索一点点磨上来的。所以别当银弹看。
Zomer 说下一步要让它跑长时间的复杂漏洞调查，看状态维护到底能不能不复活那些已经死掉的假设。这个结果我等着看——LongMemEval 终究是考卷，漏洞研究才是他造这玩意儿的原始动机，考卷上 0.2 的差距到了真实调查里可能完全是另一回事。
照例留个自检：下次你的 agent 又把排除过的路走一遍，你能分清它是哪一种吗——没看见，还是不知道那条已经作废？分清这个，才知道该花钱买桌子，还是老老实实记账。