智能体 LLM 系统在通过多轮工具调用生成代码时，面临一个根本性上下文问题：每次会话都从零开始，丢掉了此前会话中沉淀下来的配置选择、领域约束、数据模式和工具使用习惯。把完整对话历史直接存下来又既费 token 又帮倒忙——无关上下文会拉低生成质量。

这篇论文提出共享选择性持久记忆（Shared Selective Persistent Memory），一种为智能体系统设计的记忆架构。它只保留四类可复用的上下文：任务规范、数据模式、工具配置、输出约束，同时丢弃那些会话专属的推理痕迹。更关键的是记忆是共享的：封装了选择性记忆的工作区可以通过基于角色的访问控制跨用户转移，让团队协作复用已积累的上下文，不必重复描述同一套约束。

该架构被实现在一个已部署的协作工作区平台中。在这个平台上，LLM 智能体负责生成、编辑和维护 git 版本化的工件——包括交互式仪表盘、结构化报告和数据驱动的文档——数据源则通过多种连接器接入（CSV 上传、SQL、REST API 和 MCP 服务器）。Git 版本控制配合草稿隔离，让用户可以无风险地探索修改，并能随时回滚到任意历史状态，而无需重新调用模型。配套的零 token 数据刷新机制把生成程序与运行时数据解耦，让工件可以复用而不用重新生成。

在三个企业部署场景中，共享选择性持久记忆的任务完成率达到 96%，而无记忆基线为 79%，完整历史持久化仅为 71%。零 token 数据刷新彻底消除了重复数据更新场景下的 LLM 重新调用，任务时间缩短 14×；摘要驱动的生成方式相比原始数据注入，每次调用的 token 成本降低了 97×。在四个公开数据集上的复现实验验证了泛化能力，零 token 刷新在 12/12 次尝试中全部成功。

一个值得注意的结论是：朴素地持久化完整历史反而会主动降低任务完成率，因为它用陈旧的推理痕迹偏置了智能体。选择性记忆优于两个极端——既胜过完全无记忆，也胜过完整历史。