ALTK-Evolve

AI Agent 的記憶劑量論：如何根據模型能力優化經驗回饋機制

該研究精準地指出了 LLM 在處理外部知識時的『資訊過載』臨界點，打破了記憶量與性能正相關的迷思。其提出的分級記憶策略具備高度實務價值，但在記憶檢索端仍過度依賴餘弦相似度，缺乏對語義邏輯深層關聯的動態判斷，因此在極端複雜的邊緣案例中可能仍有失效風險。

優化 AI Agent 記憶交付：ALTK-Evolve 如何在降低 Token 成本的同時提升任務成功率

該系統在設計邏輯上展現了高度的工程理性，正確識別出『記憶儲存』與『記憶交付』應解耦的關鍵點，評價為優良。其成功在於克服了簡潔偏誤，用動態權重取代全量注入，但在檢索精準度的定義上仍存在黑盒地帶，其效能上限將高度依賴於檢索管線的品質。