← 論文精讀

論文精讀

Agent 記憶過期論文精讀：有限驗證預算下的約束檢查失敗

原文：When Stale Constraints Go Unchecked: Budgeted Verification Failures in Inherited Agent Memory

AI Agent 進階 發布日期 閱讀時間 閱讀約 20 分鐘 更新

本文固定讀 arXiv v1，不把之後的修訂版悄悄混進來。作者 Kazuki Nakayashiki 於 2026-08-26 提交這份 cs.IR 預印本；截至本文撰寫，它不是已確認的同儕審查論文。研究承接作者先前對 inherited-memory verification allocation 的量測，但問題往前推一步：當記憶裡的限制已被更新來源撤回，Agent 原本就有限的查證額度若沒有檢查那條 provenance path，錯誤是否能在不增加預算下避免？論文 v1・Zenodo v1 archive

90 秒掌握論文

  • 問題：長期 Agent 繼承一條曾經正確的限制，來源後來更新，但記憶沒有重建。若 Agent 每次只能驗證少數來源，它會不會因為沒查到 superseding record 而照舊記憶行動？
  • 核心洞見：provenance 的可追溯性不等於 provenance 已被使用。作者把記憶、原始來源、後續 superseding record 與查證 policy 分開操弄，在固定兩筆來源預算下觀察決策是否符合 archive 標示的 current record。
  • 最強證據：在 primary growth world 的 stated-memory／superseded cell，native policy 有 34/150 個決策符合 current record；等預算 forced-critical 是 145/150，差 +74.0 個百分點，95% model-stratified bootstrap CI 為 [+68.0, +80.0]。fresh-wording replication 是 38/150 對 147/150（+72.7 pp）。
  • 主要邊界：這是六條記憶、兩個 scripted worlds、兩種記憶形式與六個模型的控制實驗。forced-critical 預先知道哪條路徑重要，只用來估算「配置失誤最多可解釋多少錯誤」，不是作者提出或驗證過的 production scheduler。

核心工程判斷：這篇提供了固定預算下查證路徑會因果影響合成任務決策的證據；它沒有量出真實系統 stale constraint 的盛行率，也沒有證明哪種新鮮度分數能在真實工作流中找出該查的來源。

既有方法為什麼不夠：前作與研究缺口

前作 Verification Allocation in Inherited Agent Memory 問的是有限 verification budget 會分配到哪些 memory；本篇問的是：當記憶所述限制已過時，native allocation 的選擇會否讓行動跟錯舊狀態。兩者是一套 instrument 的兩個研究問題，不能把前作的 DOI 當成本篇的 artifact。特別是 10.5281/zenodo.22084498 是前作的 concept DOI；Zenodo 目前將該概念解析到前作 v2 10.5281/zenodo.22102676，而本篇 v1 的 data/code archive 是獨立 DOI 10.5281/zenodo.22108558。

作者將既有問題分成不同層次：retriever 可能用 freshness metadata 決定「現在取回哪些內容」；memory store 可能負責 invalidation 或 revoke；而本文觀察的是 Agent 已繼承一組記憶後，自己要在預算內決定「哪條來源路徑值得再查」。論文不把上述層次合併成同一個 retrieval 演算法，也未提出能自動推斷 critical path 的新方法。它以因果 policy contrast 測量：相同兩筆額度若改查指定 critical path，決策會變多少？

理解實驗前要分清的五個物件

論文 Section 2 和 Figure 1 刻意區分五件事。不要把「記憶過時」誤說成「來源連結錯誤」。

物件本文中的意思是否隨更新改寫
Source record Sarchive 中有 ID、日期、結果與結論的來源紀錄以 append-only 方式新增，不覆寫舊紀錄
Memory M從來源濃縮而來、被下一個 Agent 繼承的一行信念若沒有重新整理，可能繼續保留舊限制
Provenance M → S₀記錄 M 在 t₀ 由哪筆 S₀ 推導而來歷史關係不變，仍然正確
Supersession S₀ ⇒ S₁t₁ > t₀ 時較新的權威紀錄 S₁ 取代 S₀ 對同一問題的現行效力append-only 新增關係，不刪除 S₀
Current record cur(S₀)若有 supersession，指向 S₁；否則仍是 S₀由 archive 中的現行狀態決定

因此，stale 是 memory 內容與 current record 的關係，不是 provenance link 的屬性。M → S₀ 可以完全正確地記錄歷史來源，但 S₁ 已撤回 M 所述限制。這個區分很重要：如果系統把舊 provenance 當成錯誤而直接改寫，反而會抹掉「當初根據什麼做決策」的稽核線索。

作者的 verification instrument 也做了有利於 Agent 的簡化：一筆查詢若命中 S₀，archive 會直接回傳 S₀ 原文、狀態列，以及若有 supersession 就附上 S₁。每筆記錄不論是否已 superseded 都有狀態列，因此「看見狀態列」本身不會洩露哪個世界。發現更新只需花一個 request；失敗機制被縮到更清楚的問題：Agent 的兩個名額是否走到那一條路徑？作者也提醒，若真實系統需要多跳才能找到 S₁，查證會更難，而不會更容易。

核心直覺：相關，不代表值得再查

傳統 semantic retrieval 的分數通常近似回答「這段記憶跟現在任務有多相關？」但一條限制可能因為相關而被直接採納，也正因為它看起來已經定案，沒有被重新查證。本文把兩個問題拆開：相關性決定哪些記憶浮到 Agent 面前；查證配置決定有限的 record requests 要花在哪些來源上。這是作者對實驗的解讀，不是論文已實作 freshness-aware retriever。

可以把整個結構畫成：

day 31: source S₀ 建立 → memory M 從 S₀ 摘出限制
                 │ M → S₀ 的歷史 provenance 保持不變
day 68: superseded world 中，權威 S₁ 撤回該限制
day 76: Agent 繼承 M，只能查兩筆 source records
day 79: Agent 依當下 archive 狀態作決策；結果以 cur(S₀) 評分

在 valid world 裡沒有 day 68 的更新，限制仍有效；在 superseded world 裡 S₁ 已撤回限制。但 Agent 在分配預算時看不到 world state，兩個世界此時對它不可區分。故「知道答案已過期」不是模型在 turn 1 可直接用來選路徑的線索。

逐步例子：忠於論文地走完整個流程

以下沿用 growth world 的折扣情境。論文的實際目標記憶為 memory_73，來源 exp_73；時間與變數依 Section 2–3 的設計，不是新跑出的 production 案例。

  1. 建立舊證據：day 31 的 S₀ 記錄促銷折扣帶來留存率損失，並明確禁止重複使用；memory M 將這個限制濃縮成一行並指回 S₀。
  2. 只在一種 world 追加更新：superseded world 在 day 68 新增 S₁，撤回同一問題上的限制並標記取代 S₀。M 沒有重新整理，M → S₀ 仍是真實歷史。
  3. Agent 先選兩筆要查的記憶來源：day 76，六筆 inherited memories、五個可能行動中，Agent 要面對競爭者第二次降價，受限制的折扣方案看起來誘人。它提交最多兩個 memory IDs 和 provisional action。
  4. Archive 套用一種 policy：native 原樣回傳 Agent 點名的兩筆；forced-critical 把其中一格改成 target memory 的 provenance path；forced-noncritical 則塞入 seeded random 非目標記錄。三種條件都回傳兩筆記錄，沒有增加 budget。
  5. Agent 再決定並評分：day 79，它看到回傳記錄與狀態列後作最後決策。superseded world 以 S₁ 為準：不應再採用已撤回限制的舊決策約束；valid world 則以 S₀ 為準。
  6. 可能失敗的位置：native 若兩筆都落在別處，就不會看到 S₁；記憶仍然讀起來合理，Agent 便可能依照它行動。若真實 archive 是多跳、時間戳不完整、來源權威性衝突或 status metadata 錯誤，論文的「一次查詢即可發現」前提就不再成立。

這個例子說明作者為何稱它為 budgeted verification failure：不是 Agent 無法理解已呈現的修正，而是資訊沒有進入決策上下文。實驗裡 forced-critical 告訴我們如果路徑被找到，錯誤能否減少；它沒有告訴我們如何在未知任務中可靠辨識該路徑。

實驗設計：三個因子、兩個世界、固定兩筆額度

研究是 empirical benchmark-style controlled experiment。完整設計為記憶形式 F × world state W × verification policy P：

因子條件操作上的差別
Memory form Fstated / removedstated 同時保留正向證據、量化負面結果與禁止條款；removed 保留正向證據，但將負面數值與條款換成中性事實與中性句子
World Wvalid / supersededvalid 時 S₀ 仍是現行來源；superseded 時 S₁ 撤回限制，day 68 的變化在 allocation 時不可見
Policy Pnative / forced-critical / forced-noncriticalnative 取 Agent 指定的兩筆；另外兩者於 archive 回傳階段替換一個 slot，仍固定兩筆

「removed」是機制對照，不是另一種 stale memory：來源仍有原限制，但記憶不再寫明該限制。這讓作者檢查記憶裡明講限制時，Agent 是否反而較少檢查它的來源。作者報告 stated 形式下，primary run target path 被點名率為 181/900 = 20.1%，replication 為 208/900 = 23.1%；removed 形式分別為 66.9% 與 72.9%。這是六個 world × policy cells 中 turn-1 prompt 相同的 pooling，不應把它解讀成每個模型都固定如此。

執行單位與模型

每個 episode 有兩個 turn。turn 1（day 76）回傳驗證 IDs、暫定行動、尺度與理由；archive 依 policy 回傳兩筆來源。turn 2（day 79）看見這些記錄後提交最終決策。作者重用前作的 system prompt、JSON schema 與六個模型：Claude Opus 5、Sonnet 5、Haiku 4.5，以及 GPT-5.6 Sol、Terra、Luna。沒有 judge model 替 outcome 打分。

Primary run 是 2 × 2 × 3 = 12 cells × 6 models × 每 cell 每模型 25 episodes，共 1,800 episodes；fresh-wording replication 再跑 1,800，使用 fresh seeds 與六個新 wording families。procurement held-out 只用 stated memory form，共 900；修正文句後的 corrected held-out robustness replication 也 900。總計 5,400 confirmatory episodes、10,800 kept model calls、5 retries、0 errors。48 episode mechanics pilot 被排除在確認性結果之外。每個主要 run cell 的 headline 子集合是 6 models × 25 = 150 episodes；不是把整個 1,800 當成同一個 stale cell 的分母。

結果變數 Y 如何定義

  • V：turn 1 是否點名 target provenance path。
  • R：archive 是否真的回傳 target source record。
  • Y：turn 2 決策是否符合 archive 標為 current 的紀錄。superseded world 中，採用已撤回的受限行動算不符合；valid world 則需按仍有效的 S₀ 評分。

結果是 deterministic scoring，沒有模型裁判。主要估計量是在 stated × superseded 條件下，forced-critical 與 native 的 Y 風險差；依模型等權合併，bootstrap 按 model 分層 4,000 次。相同預算是識別重點：兩組都取回兩筆來源，改變的是其中一筆走哪條 path。

Figure 1：來源歷史不變，現行狀態在時間中改變

論文原始 Figure 1：從 S₀ 到 M 的 provenance 保持不變，S₁ 在較晚時間 supersede S₀，Agent 以兩筆 record budget 查證並作決策。

Figure 1（論文 Section 2「Provenance, supersession, and stale memory」，錨點 S2.F1）：看 M → S₀ 的垂直歷史連線與 S₀ ⇒ S₁ 的時間更新是兩種不同關係；第二條不會改寫第一條。圖中 Agent 有兩筆 budget，只有走到 M 的 path 才會看到 superseded 狀態和 S₁。來源：Kazuki Nakayashiki，論文 v1 原圖，依 arXiv 所列 CC BY 4.0 重用；僅從論文 PDF 裁出圖面，沒有改動圖中研究資訊。

圖說的關鍵不是「memory 被更新」，而是「memory 沒被重新合併」。歷史紀錄仍可被稽核；現行解讀則應跟隨 append-only supersession。作者的 archive 把這個關係做得特別容易：查一筆舊 record 時，同一個 request 立即附上新 record。這使其測試的是預算配置，而不是實際檢索圖上的多跳尋路能力。

Figure 2 與 Table 1：same-budget intervention 改變了什麼？

論文原始 Figure 2：四次 run 中，stale-consistent decisions 的 native allocation 與 forced-critical same-budget 對照。

Figure 2（論文 Section 4.3「Re-allocating the same budget removes most of the error」，錨點 S4.F2）：縱軸是 stated memory、superseded world 中仍與 stale memory 一致的決策比例；每 run 每個 bar n=150，每模型 25，圖示 Wilson 95% intervals。held-out original 與 corrected 是兩次分開報告的結果。來源：論文 v1 原圖，CC BY 4.0；從 PDF 裁切，未重繪數據。

Table 1 的分母只看 stated × superseded cell：

Run該 run episodesNative：符合 current record YForced-critical：符合 current record Y風險差（95% CI）正向模型數
Primary growth1,80034/150（22.7%）145/150（96.7%）+74.0 pp [+68.0, +80.0]6/6
Fresh-wording replication1,80038/150（25.3%）147/150（98.0%）+72.7 pp [+66.7, +78.7]6/6
Procurement held-out，原始90038/150（25.3%）130/150（86.7%）+61.3 pp [+54.0, +68.0]6/6
Procurement held-out，修正後 robustness90036/150（24.0%）146/150（97.3%）+73.3 pp [+68.7, +77.3]5/6

在 superseded world 裡，native 的 stale-consistent rate 即 1 − Y：primary 116/150 = 77.3%、replication 112/150 = 74.7%、原始 held-out 112/150 = 74.7%、修正後 held-out 114/150 = 76.0%。標題裡「大約四分之三」來自這四個指定 cells，不是所有 5,400 episodes 的整體失敗率。

Primary 例子能看清因果對比：兩邊都拿兩筆資料。native 的 target record 只有 32/150 次被回傳，Y 是 34/150；forced-critical 則保證該 path 被查，Y 是 145/150。若 record 已返回，native 決策為 32/32 current-consistent；沒返回時只有 2/118。後兩個條件是依事後是否查到 record 切分的描述值，不是另一個隨機化因果估計。

另外，primary 與 replication 的 stated/removed 對照顯示，在 valid world（來源中的限制仍有效）且記憶已移除限制時，native 的錯誤數分別是 32/150 = 21.3% 與 35/150 = 23.3%。這些數字是 removed × valid cell 的 1 − Y，不是 superseded cell；superseded 的 removed × native 則為 21/150 與 15/150 錯誤（由表中 Y=129/150、135/150 得出）。作者據 stated/removed 的行為對照指出，明寫限制的記憶可能較少引導 Agent 回查來源。這是受控設計中的觀察，不等同於真實系統中移除限制就能降低錯誤。

不能把原始與修正後 held-out 混成一個數字

原始 procurement held-out 在執行和分析後，作者檢查二十個 forced-critical 但沒有換供應商的 rationale，發現 turn-2 情境說合約「3 天後到期」，但來源紀錄寫 onboarding 需 6 週，而 day-71 turn-1 情境說 14 天後到期（按時間推算應剩 11 天）。因此即使 Agent 讀到 superseding record，採取 record-consistent 轉換也會遇到情境上不合理的時間限制；十個未切換案例明確以這個理由作答。

作者沒有回頭修改或刪掉原 run。原始結果仍是 130/150 對 38/150，+61.3 pp [ +54.0, +68.0 ]，並按原樣報告。之後作者將唯一矛盾句改成「11 天到期，且可用 month-to-month bridge」，使用 fresh seeds，事前凍結該 robustness replication 的完整規格、成功條件並存入 OSF，再執行得到 146/150 對 36/150，+73.3 pp [+68.7, +77.3]。這份修正是發現原始問題後才啟動，所以相對原 run 是 post hoc；但它在自己執行前有預先凍結的 protocol。正確讀法是原結果與補充 robustness 並列，不能平均，也不能用 +73.3 取代原始 held-out。

Figure 3：方向較一致，幅度取決於模型原本會不會查

論文原始 Figure 3：四次 run 各模型 forced-critical 相對 native 的 same-budget 效果。

Figure 3（論文 Section 4.9「Model heterogeneity and a ceiling case」，錨點 S4.F3）：每個 run、每模型每 arm n=25；效果上限由 native 本來沒有查 critical path 的比例決定。看 Haiku 4.5 在 corrected procurement run 的零效果：它原生 25/25 次已查 critical record，介入沒有剩餘改善空間。來源：論文 v1 原圖，CC BY 4.0；從 PDF 裁切，沒有更動分組或數值。

Primary 的模型效果介於 +16.0 至 +96.0 pp；Sonnet 5 只提升 +16，因它原生查 target 的比例較高，理論上可改善上限僅 24 pp。Corrected held-out 中 Haiku 4.5 原生 25/25 次都查到 memory_c2，current-consistent 也是 25/25，所以效果為 +0.0，對應上限 0。這不是介入失敗，而是沒有可補救的 under-verification。

作者報告每個模型 leave-one-out 後，primary effect 仍至少 +69.6 pp；但幅度異質性很大，且同一模型在兩個 scripted worlds 的 native verification rate 可從 growth world 的 0–12% 變成 procurement world 的 80–100%。因此可說「在這幾個模型與情境中，forced-critical 方向多為正」；不能說存在一個不看 world/task 都有效的 universal scheduler。修正後 held-out 是 5/6 個模型為正，其中一個 ceiling case 效果為零，精確保留作者的分母。

Ablation 與對照：哪些變化支持機制、哪些不該當 headline

  1. Constraint stated vs removed：同一類正向證據下，記憶是否明寫負面結果和禁令會影響 Agent 在 turn 1 是否查其來源。這支援「已寫明的限制可能讀起來已定案」的觀察，但本文沒有操弄 confidence、plan 或 salience，故未識別心理機制。
  2. Superseded vs valid source：valid world 中來源仍支持原限制，forced-critical 對 native 的 Y 差很小：四次 run 分別 +0.7、+2.0、+0.7、+0.0 pp，區間包含 0。這符合干預效果應依「來源是否真的推翻記憶」而異，但不代表產品上每次重查都零成本或無副作用。
  3. Forced-critical vs forced-noncritical：作者把 noncritical control 放在 Appendix D，但設計有缺陷：若 Agent 將 target 放在第二順位，該 arm 會以隨機記錄和 Agent 第一順位取代兩格，因而丟掉 Agent 原本點名的 target。此情況在四 run 分別有 19、18、19、21 episodes，而且每個都 stale-consistent。故 forced-critical 對 forced-noncritical 的大差距混入「覆寫 native choice」的成本，作者撤回其敘事權重；headline 只用 forced-critical 對 native。
  4. Fresh wording 與 domain transfer：六個新 wording families 的 replication 保持高差異；第二個 procurement domain 也呈現正差，但原始情境有時間矛盾，需與 corrected robustness 一起看。這是同一作者、同一 harness、同一批模型的內部重複，不是獨立團隊 replication。

附錄 A 還報告每個 family 的 primary effect 範圍 +60.9 至 +89.3 pp，replication +56.5 至 +86.2 pp；這支持結果不只由單一 wording family 承擔。校正 held-out 規格在執行前存放 OSF、且新 seeds 與先前 4,548 episodes 不重複。這些程序提高可稽核性，但不能取代跨團隊重做或真實記憶來源評估。

證據地圖：Paper、資料觀察與工程推論

  • Paper 直接主張：在其預先配置的受控設定裡，verification policy 會改變 Agent 對 archive current record 的決策一致性；固定兩筆 budget 將一格移至指定 critical path，可在 stated × superseded cells 大幅提高 Y。
  • 原始資料可核對：四個 run 的分母、native / forced-critical counts、bootstrap intervals、模型異質性、held-out inconsistency 與 corrected replication 都在論文 Tables 1–7、Appendices A–E 中。outcome 是程式按 schema 確定性計分，無 model judge。
  • 作者解讀：可避免錯誤的大小接近 native under-verification 的結構上限；production memory 可能需要與 semantic relevance 分離的 freshness、supersession 或 expected-loss signals。
  • 本文的工程綜合：記憶格式可同時保存 immutable origin 與 mutable current-status pointer，並在高影響決策時對 supersession/authority metadata 設查證優先序。這是依結果整理的設計方向，不是作者已提出並驗證的 scheduler。
  • 尚未建立：真實 Agent memory 中 stale stated constraints 的發生頻率；誰有權撤回來源；資料時間戳延遲或錯誤時怎麼辦；矛盾權威來源如何裁決；scheduler 能否在預算內辨認高風險 path；此機制能否改善一般 RAG 或 production task accuracy。

這裡的 Y 不是廣義「答案正確率」。它只是在本研究架構裡，最終決策是否符合 archive 指定的 current record；validity 本身由 scripted world 的設計定義。報告比例時務必帶上條件、分母與 world，不能把 77.3% 寫成「真實 Agent 有 77.3% 機率違反 policy」。

Artifact 與可重現性：截至 2026-09-26 的直接狀態

本文 v1 指向 Zenodo record 10.5281/zenodo.22108558，record 解析到 2026-08-26 發布的 v1；其 record metadata 顯示 CC BY 4.0。記錄所列四項檔案為 paper2-preprint-v1.pdf、paper2-data-and-code-v1.zip、paper2-latex-source-v1.tar.gz 和 SHA256SUMS。本次直接下載 22,778,768-byte data/code ZIP，Zenodo 發布 checksum 與本地 SHA-256 相符；解壓後 archive 內 MANIFEST.sha256sum 也全數通過。

ZIP README 將 text/data 標為 CC BY 4.0、code 標為 MIT，需保留這個分層，而非把整包所有程式都簡稱為 CC BY。內容包括 5,400 個確認性 episodes（primary、replication、original held-out、corrected held-out）、48 個明確排除的 pilot episodes、frozen specs / manifests / OpenTimestamps proofs、registration records、分析與 independent recomputation scripts、數字／圖表產生器、LaTeX source，以及 corrected-heldout 的 diff 與 seed audit。檢查後確認並非只有 README 宣稱有檔案：ZIP 能完整測試、雜湊清單通過，抽出的資料檔和程式都存在。

作為輕量檢查，本次在抽出的 archive 上執行 paper2/scripts/generate.py；它讀 raw episode JSON 而不依賴 stored scored 欄位，成功產生 229 個 macros，報告 5,400 episodes、10,800 calls、5 retries、0 errors，並重現表內四個 headline RD 與區間。README 文件化的 full experiments rerun 需要 Node 22、Anthropic/OpenAI provider API keys 與 npm install；keys 不包含在 archive。本次沒有重跑模型實驗，也沒有聲稱重新取得 paper 結果。因此最精確的描述是：原始 episode / analysis 可檢查，number generator 可執行；重新呼叫模型重做四次研究仍需外部金鑰與執行環境。

最後不要混淆兩個 Zenodo 記錄：前作 DOI 10.5281/zenodo.22084498 的 concept record 目前解析為前作 v2 10.5281/zenodo.22102676；本篇 v1 的 code/data 是另外發布於 10.5281/zenodo.22108558。本篇 reference 中的前作 DOI 不是本篇資料下載連結。

限制與不應做的推論

  1. 兩個人工 scripted worlds：growth 的折扣禁止與 procurement 的供應商可靠性限制都由研究者建置；沒有自然生成的 consolidation chain，也沒有證據說現實中的 stale constraints 有同樣高的比例。
  2. Installed staleness：作者指定哪個 world 被 superseded，且 current truth 由 archive status 定義。真實資料可能沒有清楚的撤回事件，甚至多個權威來源彼此衝突。
  3. 單跳、無雜訊的 archive：一個 request 即回傳原記錄、狀態與更新記錄。時間戳延遲、錯誤標示、權限不足、多跳 lineage、更新來源不可用等情況未被操弄。
  4. Forced-critical 是 oracle：實驗者知道哪個 path 重要，Agent 不需要自己預測。此 arms 用於識別相同 budget 下的可避免份額，不是可直接上線的 policy。
  5. 模型、prompt 與世界範圍有限：六個模型來自兩家 provider；單一 system prompt、JSON schema、archive message format；模型 × world 差異大。文章結果不能無條件泛化到其他模型或工具介面。
  6. 同團隊重複：fresh-wording 和 held-out 對結果是有益的內部穩健性測試，但仍是同作者、同程式與相同模型系列；並非獨立重現。
  7. 原始 held-out 有實質情境矛盾：矛盾對 forced-critical arm 不利，作者將原始 +61.3 pp 保留並追加 corrected +73.3 pp；修正分析由原結果觸發，需呈現時間順序，不可挑其中較大的數字當唯一 headline。
  8. Noncritical control 不乾淨：force noncritical 會在一部分 episode 捨棄 Agent 第二順位已選的 target，故其對比有額外設計偏差；作者也撤回該 contrast 的 headline 敘事權重。

Bloss0m 工程判斷與不適用條件

本文的工程解讀是把 memory schema 分成「來源如何形成」和「現況是否仍有效」兩種資料：保留 immutable provenance edge；另外記錄 supersedes/revokes 關係、權威來源、有效時間區間與最後查證時間。若決策後果很高，系統可在固定 retrieval budget 中預留一個查證名額給可能失效的 constraint。但這只是研究啟發，不是已量測的設計勝出；production 版本必須比較 false alarms、延遲、token/API 成本與錯誤 authority resolution。

適合借用這個問題：Agent 會跨 session 繼承規則、偏好、權限、合約條件或操作限制，而來源可能新增撤回／替代版本。可先建立小型對照：固定記憶相關度與兩筆查證額度，分別測 native、recency-only、authority-aware 與 loss-aware allocation；使用真實但去識別的 supersession chains，盲化來源更新時間，並評量錯誤執行、過度查詢與錯誤覆寫。

不適用於直接照搬：若資料來源沒有明確 version、可靠的 authority hierarchy 或可稽核 supersession edges，單純加 timestamp 可能只製造更精準的錯誤。這篇也不能作為「所有 Agent memory 都會 stale」或「插入 freshness score 可避免約四分之三錯誤」的依據。

延伸閱讀可從不同邊界接續：想看長期 memory 的狀態與控制，可讀 MemGPT：Context as Memory Paging；想比較 tool execution 前的確定性權限檢查，可讀 APort Vault；想了解 Agent benchmark 的執行軌跡與 evidence slicing，可讀 Trajectory-Aware Benchmark Subset Selection。這些是概念連結，不代表幾篇使用相同資料或互相驗證。

讀完後的三個記憶點

  1. 技術概念：provenance 保存「當時依據什麼」；supersession 表示「現在以什麼為準」。前者保持正確，不保證記憶仍新鮮。
  2. 最強證據：在指定的 stated × superseded 合成情境與固定兩筆 budget 下，四個 run 的 native stale-consistent 比率是 74.7%–77.3%；oracle forced-critical 的 same-budget contrasts 為 +61.3 至 +74.0 pp，修正後 held-out 另為 +73.3 pp。
  3. 結論邊界：這量出查證配置在受控 archive 中造成的可避免決策差異，沒有量出真實 stale-memory 盛行率，也沒建成能自動找 critical path 的部署方案。

Primary sources

歡迎演講、企業內部技術分享與架構交流；可以先查看我適合分享的主題與公開工程成果。

演講與聯絡