苹果提出共享选择性持久记忆架构，智能体任务完成率从79%升至96%
苹果机器学习研究团队发布论文，提出一种为多轮工具调用生成代码的智能体系统设计的记忆架构，仅保留四类可复用上下文并允许跨用户共享，在三个企业部署场景中任务完成率达96%，优于无记忆的79%和全历史记忆的71%。
AI解读：智能体每次会话都从零开始，之前调通的工具配置、数据表结构、任务约束全被丢掉，用户得反复重述。苹果研究者提出的做法是：不全存聊天记录，只挑四类能复用的上下文留下来——任务说明、数据模式、工具配置、输出约束——其余会话专属的推理过程丢掉。
这个记忆还是“共享”的：封装好的工作空间可以通过角色权限控制转给其他用户，不用每个人重新搭一遍。论文报告三个企业部署场景下任务完成率96%，高于无记忆的79%；更反直觉的是，把完整历史全留下来反而掉到71%，因为旧的推理痕迹会干扰智能体。
配套的零token数据刷新让周期性数据更新不再重新调用模型，任务耗时减少14倍；摘要式生成比直接注入原始数据把单次调用token成本降低97倍。这些数字来自论文自报的部署场景和四个公开数据集的复现，实际效果仍取决于任务类型和数据结构是否匹配。
苹果机器学习研究团队发布论文《Shared Selective Persistent Memory for Agentic LLM Systems》，作者为Sanjana Pedada、Aditya Dhavala和Neelraj Patil，提出一种针对智能体LLM系统的记忆架构。
论文指出，通过多轮工具调用生成代码的智能体系统面临一个根本性上下文问题：每次会话从零开始，丢弃了此前让会话高效的配置选择、领域约束、数据模式和工具使用模式。而简单地把整段对话历史持久化，既浪费token又适得其反——无关上下文会降低生成质量。
该架构名为“共享选择性持久记忆”，只识别并保留四类可复用上下文：任务规格、数据模式、工具配置、输出约束，同时丢弃会话专属的推理痕迹。
记忆是可共享的：封装选择性记忆的工作空间可通过基于角色的访问控制在不同用户之间转移，实现累积上下文的协作复用，无需重复指定。
论文在已部署的协作工作空间平台中实现了该架构，LLM智能体从多种连接器类型（CSV上传、SQL、REST API和MCP服务器）访问异构数据源，生成、编辑和维护git版本化的工件，包括交互式仪表板、结构化报告和数据驱动文档；基于git的版本管理配合草稿隔离，让用户可无风险探索修改并恢复到任意先前状态，无需重新调用模型。
论文报告：在三个企业部署场景中，共享选择性持久记忆实现96%任务完成率，无记忆为79%，完整历史为71%；配套的零token数据刷新机制在周期性数据更新中完全消除LLM重新调用，任务时间减少14倍；摘要驱动的生成相比原始数据注入把单次调用token成本降低97倍。
全历史记忆反而拖累完成率
论文特别指出，简单粗暴的完整历史持久化会主动降低任务完成率，因为它用陈旧的推理痕迹给智能体带来偏差；选择性记忆则优于两个极端——既非什么都不记，也非全盘保留。
零token刷新与公开数据集复现
论文称，零token数据刷新机制将生成程序与运行时数据解耦，使工件无需重新调用模型即可复用。在四个公开数据集上的复现确认了可泛化性，零token刷新在12/12次试验中成功。