基於檔案系統的 LLM Agent 長期記憶：組織、演化與永續性
為何重要
這篇研究挑戰了 OpenAI Files API 或 Agent 預設長記憶實作的效能迷思。開發者慣用檔案系統作為配置檔或對話紀錄的中介層，但本研究指出此帶狀態系統的可靠維護極度依賴強大的管理 Agent，否則組織會崩解。對於專注於 Agentic Workflow 的專業人士，這是重新評估「無結構資料」在價值鏈中地位的重要參考，且證明瞭工具設計對記憶架構的影響甚至大於模型選擇。
部署中的 LLM Agent 越來越多地將長期記憶儲存為檔案系統，即 Markdown 目錄樹樣式，但研究界對此機制探討甚少。本研究將此設定形式化為管理 Agent、搜尋 Agent 與執行 Agent 三種角色，並在長對話與具身任務中測試記憶形狀、工具組合及 Agent 能力的影響。研究發現，妥善組織的記憶庫在材料龐大時約可將檢索成本減半；卻也發現除非管理 Agent 非常強數，否則記憶組織隨記憶量增長會劣化，且現行 Agent 未能將組織優勢轉化為更好的回答品質。