关于记忆与连续性的十个问题

长期 AI 记忆和身份连续性有什么关系？

在 Memory-as-Ontology 的研究立场中，记忆是持续身份的构成基础。经历、关系和判断随时间积累，模型则是承载这些记忆、可以更换的计算基础。

因此，论文关注的不只是信息有没有保存下来，还包括一个新实例怎样承接之前的经历，继续理解任务和关系。这是 Animesis 研究长期协作连续性的出发点。

论文依据：§1.2 核心主张、§3.1 两种范式。

适用范围：这里的“身份”是架构层面的概念，不是关于 AI 意识的结论。研究主要面向跨实例、跨模型的长期协作。

模型更换后，智能体还是同一个吗？

按照论文提出的“模型可替换性”公理，身份通过记忆延续，而不绑定某个模型。关键不只是把数据搬过去，还要让新实例理解并继续使用继承的记忆。

论文为记忆继承提出三项最低验收要求：一是不依赖原始对话记录，仍能回答与前一实例未完成任务有关的事实问题；二是能识别并运用至少一个继承的认知模式；三是留下可供第三方核验的继承记录。

论文依据：§3.2 模型可替换性、§5.2.2 继承。

研究范围：模型更换可能带来能力和表达风格的变化；继承是否成立，需要按上述要求核验。

记忆治理和存储、检索有什么区别？

存储解决内容怎样保存，检索解决需要时怎样找回；治理则回答谁能写入、谁能修改、什么条件下可以改，以及修改后怎样追溯。

CMA 用宪法层、契约层、适配层、实现层组织这些规则，上层约束下层。比如预算上限发生变化，治理需要明确谁有权修改、遵循什么规则，以及怎样留下改动记录。

论文依据：§4.2 四层治理、§4.5 与现有架构的关系。

研究范围：“治理先于功能”讨论设计顺序。架构能否在具体环境中有效执行，还需要相应验证。产品侧的说明见Animesis 使用问答。

记忆更新后，怎样保留原来判断的原因？

采用追加记录的方式更新，而不直接覆盖过去。新的判断、更正内容和修改原因作为新记录留下，之前的内容仍可追溯。

这样，记忆可以演进，历史也不会因一次更正而消失。论文还区分了两类调整：主动降低召回权重，以及随时间压缩和归档。保留一条记忆，与继续使用它，可以分别处理。

论文依据：§4.3 追加写入、§5.2.3 成长。

研究范围：这里说明追加记录与记忆演进的设计原则。具体数据结构不在本文讨论范围内。

除了检索准确率，长期记忆还应该评价什么？

还应关注记忆如何被治理，以及新实例能否理解并继续使用继承的记忆。除了检索是否准确，还需要检验前后协作能否衔接，以及判断的变化是否有依据。

论文给出了继承验收的具体方向：不依赖原始对话，也能回答与未完成任务有关的事实问题；能运用继承的认知模式；继承过程有可核验的记录。

论文依据：§5.2.2 继承验收、§6 比较框架、§7.2 研究局限。

研究范围：v1 未提供 LongMemEval、LOCOMO 等标准基准的测试数据，不能据此判断产品之间的检索性能高低。

模型行为变了，是否意味着连续性中断？

不一定。论文把模型带来的能力和风格变化，与记忆所承载的连续性区分开来：表达方式变了，不等于此前的经历和判断已经丢失。

这一框架从结构化的身份继承来理解连续性，而不只看数据是否跨会话保存。要判断新实例是否接续了之前的协作，还需要检验它怎样理解和使用继承的记忆。

论文依据：§3.2 模型可替换性、§6.2 连续性的比较定义。

研究范围：v1 没有给出行为一致性的量化指标；连续性与行为完全相同不是一回事。

长期运行中，怎样区分“变化”和“退化”？

可以先看变化有没有来由、更新是否经过治理，以及历史是否仍可核对。论文强调渐进演进和保留历史，为判断变化提供依据。

例如，新的经历可以改变对过去的理解，但不应篡改过去发生的事。记忆的压缩、归档和使用调整，也需要放在治理框架中理解。

论文依据：§5.2.3 渐进演进、§8.1 未来工作。

研究范围：这些原则提供判断方向，还不是一套完整的判定方法。认知时间线和完整状态回溯在 v1 中列为未来工作。

多个智能体共享记忆，谁有权修改？

在论文提出的 CMA 中，修改权限由治理层级、写入归属和审批规则共同决定。上层规则约束下层规则，每类记忆也需要明确由谁负责写入。

CMA 讨论了写入归属、来源可信度、操作风险和冲突裁决。它们共同回答：哪些修改可以进行，哪些需要审批，以及不同记忆发生冲突时怎样处理。

论文依据：§4.2 四层治理、§4.4 治理原语。

研究范围：多智能体场景仍需要规模验证。产品中的多人共享记忆和团队权限管理仍在开发中。

机器人换载体，哪些经验能迁移？

沿用论文的记忆表示与继承原则，我们进一步提出一个问题：哪些知识可以沿用，哪些经验依赖特定身体和传感器？这也是研究站关注的跨载体记忆问题。

例如，任务背景与某个传感器的测量经验，可能有不同的迁移条件。哪些可以直接保留，哪些需要重新验证，是具身场景需要继续研究的问题。

相关研究：§3.2 模型无关的记忆表示、§8.1 跨模型可移植性。

研究范围：v1 讨论的是模型更换，并未验证机器人跨载体迁移。这里是基于论文原则延伸出的研究问题。

记忆边界和自主性在生命周期里怎么处理？

论文用出生、继承、成长、分叉、离开五个阶段讨论长期运行。治理贯穿各阶段及其转换，让记忆的形成、演进和交接都有明确规则。

出生时建立治理基础，继承时检验记忆交接，成长中允许有依据的演进；分叉和离开是可选阶段。记忆受到保护，并不意味着决策权交给 AI，最终决策权仍在人。

论文依据：§5.2 五个阶段、§3.4 适用范围。

术语说明：“数字公民”指特定治理框架中的制度身份；分叉与离开为可选阶段。