这篇博客回答了智能体记忆配置的核心问题：给智能体注入多少自蒸馏经验才合适？答案不是越多越好，而是取决于模型自身的能力等级。作者基于八款模型的对比测试，总结出三种规律，并给出了可落地的校准策略。

作者用 ALTK-Evolve 框架让智能体从自己的历史轨迹中提取行为准则（成功的策略、要避免的错误、边界情况），在推理时注入上下文，不更新权重、无需人工标注。关键发现是：不同模型对记忆的“剂量”需求完全不同。强模型有冗余能力，喜欢完整的准则集，每一条都吸收；弱模型会被大准则集淹没，更适合一个高置信核心加少量按任务检索的准则；而已经饱和的模型则没有任何可测收益。例如 DeepSeek-V3.2 (671B MoE) 给全量准则后任务完成率提升 +9.5pp，而 gpt-oss-120b (117B MoE) 用选择性检索提升 +16.1pp，且全量准则反而效果差且更贵。GLM-5 (745B MoE) 则落在饱和区，两种配置都没有提升。

作者强调，这种差异不是由参数量简单决定的，基准冗余、上下文窗口、架构、准则质量、任务分布都在起作用。但实操结论已经清晰：记忆应当校准，而非简单累积。成本数据进一步证明了选择性检索的优势：gpt-oss-120b 用选择性检索每任务只增加 5% 的 token（从110K到116K），而全量准则要增加 51%（到166K）。DeepSeek 用全量准则增加 78%（从148K到263K），但推理步数基本不变（约18-19步），所以开销主要来自输入膨胀。作者特别提到，生产环境中可以利用 prompt caching 缓存准则集的静态部分，大幅降低有效成本，因此设计提示词时要保持准则前缀稳定。

测试在 AppWorld 基准上进行，包含 585 个多步任务（168 个 test_normal 加 417 个 test_challenge），覆盖 9 个模拟应用。评估采用两个指标：TGC（任务目标完成率，衡量单个任务是否完全完成）和 SGC（场景目标完成率，一个场景包含同一任务的多个变体，必须全部成功才算通过，更严格）。SGC 的提升普遍大于 TGC，比如 DeepSeek 的 SGC 提升 +16.1pp（对应 TGC 仅 +9.5pp），因为好准则特别有助于智能体通过场景的全部变体，而不仅是平均情况。即使接近上限的 GPT-5.5 和 Claude Opus 4.6，SGC 也分别提升 +7.2pp 和 +7.1pp，说明只要还有剩余失败模式，记忆就能继续创造价值。

文章也坦诚指出了局限：当前检索用余弦相似度排序，并不完美预测哪些准则对任务有用；对极弱模型，自蒸馏缺乏信号，需要教师蒸馏；目前只在 AppWorld 上验证，其他基准和生产部署还在进行；上下文窗口的影响尚未进行对照实验。作者给出了明确的下一步计划：训练一个有监督的选择器，探索弱模型的教师蒸馏记忆，扩大基准范围，以及隔离上下文窗口变量。整体来看，这不是一篇空谈趋势的文章，而是有数据、有对比、有成本核算的工程实践总结，对于做 Agent 内存设计的开发者很有参考价值。