面向长程 LLM 智能体的连续体记忆架构

检索增强生成（RAG）已成为为大语言模型（LLM）智能体提供上下文知识的默认策略。然而 RAG 将记忆视为无状态的查找表：信息无限期留存，检索是只读的，且缺少时间连续性。我们定义了连续体记忆架构（Continuum Memory Architecture, CMA），即一类通过持久化存储、选择性保留、关联路由、时间链接以及向更高阶抽象的整合，在交互之间维护并更新内部状态的系统。本文不披露实现细节，而是规定 CMA 所要求的架构条件，并在那些暴露 RAG 无法积累、变更或消歧记忆这一结构性缺陷的任务上展示一致的行为优势。实证探针（知识更新、时间关联、关联回忆、上下文消歧）表明 CMA 是长程智能体的一种必要架构原语，同时也凸显了延迟、漂移与可解释性方面的开放挑战。