编译记忆：不是更多信息，而是更精确的语言智能体指令

现有的语言智能体记忆系统解决的是记忆管理问题：如何在上下文预算内检索和分页调入更多信息。我们解决的是一个互补问题——记忆效用：什么经验值得保留，以及它应如何改变智能体行为。我们提出 Atlas，一个将积累的任务经验编译进智能体指令结构的记忆内核——无需微调、RAG 或人工干预。记忆是蒸馏而非存储；交付是指令重写而非上下文注入。从智能体失败与成功中提取的事实经三步晋升门验证，然后通过用学到的子要点重写智能体系统提示来交付。在 CUAD 合同分析上，演化后的提示使 GPT-4o 的词元级 F1 提升 $+8.7$pp，精确率提升 $+12.5$pp。在 HotpotQA 多跳问答上，联合 F1 提升 $+3.16$pp。消融实验分离出该机制的定义性属性——训练信号约束：演化出的提示恰好只学会被教的内容，不多分毫。将由 GPT-4o 错误编译而成、原封不动的同一演化提示应用于 Claude Sonnet 4.5 时，联合 F1 提升 $+2.31$pp，且增益集中在 Claude 较强基线留下最大改进空间之处——证实编译出的知识是任务塑形而非模型塑形的。