Experience Compression Spectrum：将记忆、技能和规则统一于LLM智能体的架构框架

什么是Experience Compression Spectrum？

2026年4月17日发布的新arXiv预印本提出了一个统一理论框架，描述LLM智能体在长期、多周期部署中如何处理经验。作者Xing Zhang等人没有将记忆、技能和规则视为独立的架构组件，而是将它们置于单一压缩递增轴上：

• 情节记忆 — 发生事件的原始记录，压缩率5-20×
• 程序技能 — 从模式中学习的参数化例程，50-500×
• 声明式规则 — 跨上下文普遍适用的通用陈述，1000×+

这个想法简单却有力：所有这些都是同一过程的不同层级 — 将经验压缩为可重复利用的知识。区别在于为了更好的简洁性而丢失多少上下文。

对现有系统的分析揭示了什么？

作者识别出三个系统性问题：

1. 固定压缩级别。 大多数智能体在谱系的一个点上运行——有些记住所有内容，有些提取规则。但真实经验并不均匀——有些事情值得详细记忆（边界情况），其他则需要极度压缩（稳定程序）。缺乏自适应灵活性的系统在某一端或另一端付出代价。

2. 记忆与技能不通信。 研究记忆（长期上下文、RAG、情节回放）和技能（技能学习、程序合成）的研究社区不共享成果。作者认为它们本质上是同一件事——经验压缩——只是在孤岛中发展。

3. 评估因级别而异。 如何衡量”好记忆”与”好技能”与”好规则”？每个级别都有自己的基准测试，使得比较在不同谱系级别运行的系统变得困难。

全谱系智能体的设计原则是什么？

这篇论文不提出具体实现，而是提出在整个谱系中运行的智能体原则：

• 动态定位 — 智能体根据模式频率和置信度自主选择每次经验的压缩级别
• 双向移动 — 可以从记忆中压缩技能，从技能中压缩规则；反之亦然，当规则失效时，智能体必须能够”解压缩”到情节细节
• 生命周期管理 — 规则和技能会过时，上下文会变化，经验需要修订机制而不仅仅是积累

为什么这很重要？

长远智能体——那些在同一上下文中工作数周或数月的（客服、技术支持、个人助手、编程）——需要经验。但纯粹的记忆无法扩展（窗口增大，成本增加），而过早压缩会丢失信息。这篇论文认为压缩是一个谱系，而不是二元选择，下一代智能体应该以此为设计基础。

对构建者的启示

对于构建生产级智能体的团队，信息是架构层面的：与其为记忆、技能和规则设置独立模块，不如考虑一个具有跨级别提升和降级机制的记忆层次结构。摘要管道、技能提取器和规则归纳器都是同一系统的组成部分——只是在不同压缩级别上运行。

这篇论文是没有新模型实验结果的预印本——更像是一篇立场论文，为该领域定义共同语言。但正因如此它很有价值：目前构建长期智能体的团队可以将其用作设计记忆架构的指南。