保留还是整合？语言智能体记忆的预算依赖算子选择

语言智能体的跨交互能力依赖记忆。但大语言模型（LLM）有限的上下文窗口与推理成本约束了一次能使用的记忆量。现有系统主要遵循两种策略：记忆保留与记忆整合。保留原始记录、保持精确细节，但预算紧张时相关证据可能放不下；整合压缩并合并记录、提高每token的覆盖，但可能丢失查询关键细节。两种策略没有普适优劣。这引出两个核心问题：何时整合应替代保留？以及应选择哪种算子——合并（Merge）、抽象（Abstract）还是重写（Rewrite）？我们把这一决策形式化：把每个算子的效用分解为对保留所遗漏证据的覆盖效应，与对已放得下的原始证据的带符号替换效应；两者的平衡解释了为何首选动作随相对预算压力变化。我们以离线抽象安全（OAS）实现该机制——一个轻量学习器，从生成前特征估计动作效用并用留出的伤害校准。公开的LongMemEval与LoCoMo基准呈现同样的预算依赖模式：在LongMemEval上，紧张预算下整合把绝对准确率提升最多48%，宽松预算下保留更优；LoCoMo在更小预算处复现该交叉，与其更短的证据一致。在两个数据集上，必须压缩时跨笔记的抽象与合并通常优于局部重写。