智能体的肌肉记忆：编译而不仅仅是检索

LLM 代理的内存已聚合在单一架构模式上：将经验存储为文本、嵌入、反射或规则；在推理时检索；让通用协调器解释要做什么。本文认为该模式是个性化的错误默认模式。我们将肌肉记忆（将重复的用户意图编译成专门构建的专业代理的做法）定位为与检索不同的记忆范式，并且我们认为编译更适合当前助手对用户施加多轮负担的工作负载：使他们反复纠正格式、深度和范围以获得适合领域的答案。我们通过参考实施和经验证据支持这一立场。该实现是一个四阶段管道（收获 $\rightarrow$ 分析 $\rightarrow$ 增强 $\rightarrow$ 评估），它挖掘对话历史，将行为与任务模式分开，并发出具有两阶段触发器匹配的质量门控可执行编译专家。在 5 个用户角色的 90 个保留场景中，增强助理在 36 个由专家开火的案例中赢得了 32 个，胜率高达 88.9%，个性化增益 +2.05，在 1-4 等级上准确度成本仅为 -0.28 美元。我们讨论了为什么在这种情况下编译比检索更适合，结果对更广泛的内存设计空间意味着什么，以及仍然存在哪些未解决的问题。