NTU最新MemSkill解读：90% vs 10%，AI智能体记忆越会偷懒越聪明

在LoCoMo的超长对话测试中，一个诡异现象让研究员沉默：同样处理10万token的交互历史，传统AI像个通宵加班的员工，逐句记录、逐帧检索，忙得不可开交；而南洋理工等团队提出的MemSkill却像个“甩手掌柜”，只动用少量核心记忆技能，却在LLM评判中拿下50.96的高分，把前者远远甩在身后。

更离谱的是在ALFWorld的实体交互任务里，它完成“取物-加热-放置”的复杂流程，平均步数比最强基线显著减少，成功率却飙升。这不是个别案例——在LongMemEval、HotpotQA等四大基准测试中，它用这套“少即是多”的逻辑，实现了全场景性能提升。

这不科学，对吧？我们从小被教育“勤奋出奇迹”，但AI世界里，为什么越“努力”的系统越低效？你现在一定想不通：难道智能的本质，从来不是“记住一切”而是“学会偷懒”？

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

被人类规则绑架的AI“工具人”

现在的LLM代理记忆系统，本质上都是“穿着西装的工具人”。人类给它们编写了固定的操作手册：遇到新信息就“添加”，发现错误就“删除”，有补充就“更新”，没价值就“跳过”。

这套看似万能的逻辑，藏着致命的缺陷。就像用固定的城市图纸去规划所有地貌——管你是山城的崎岖、海滨的潮汐，全按棋盘式街道硬套，结果必然是交通堵塞、资源浪费。我读到论文里对传统方法的剖析时，指尖发麻：这些AI看似在“勤奋工作”，实则在做无用功。

它们逐句处理每一轮对话，哪怕是重复的寒暄、无关的细节，也会按流程归档；它们用统一的标准筛选记忆，却不知道对话场景需要捕捉“谁在什么时候做了什么”，而实体任务需要紧盯“物体在哪里、状态如何”；更致命的是，人类的规则一旦写死，AI就失去了适应能力——面对新的交互模式，就像拿着旧地图找新路，越努力越迷茫。

实验数据戳破了这场“勤奋骗局”：传统方法在LongMemEval的LLM评判中，最高得分只有56.93，而MemSkill直接冲到59.41。它证明了：智能的竞争，从来不是记忆量的比拼，而是记忆效率的革命。

MemSkill的进化逻辑，藏在博尔赫斯的寓言里

博尔赫斯在《富内斯的记忆》中写过一个极端案例：主角富内斯能记住生命中每一个瞬间的细节——树叶的纹路、云朵的形状、他人的每一句话，却因此失去了思考能力。他无法归纳、无法抽象，被无尽的细节淹没，最终变成了记忆的奴隶。

这正是传统AI的困境，也是MemSkill的破局点。它没有给AI更多固定规则，而是教会AI“进化出自己的记忆技能”——就像生物从固定本能进化出可塑技能，从单一个体试错进化出群体技能传承。

MemSkill的核心是一个“技能银行+闭环进化”的生态系统，三个核心组件构成了它的“进化三角”：

• 控制器（Controller）：AI的“记忆指挥官”。它不按固定流程做事，而是根据当前场景（比如是对话还是实体任务）和已有记忆，从技能银行里挑选最合适的Top-K技能。就像优秀的管理者不会让员工全员加班，而是根据任务分配核心人手，效率自然翻倍。

• 执行者（Executor）：AI的“记忆工匠”。它拿到控制器选好的技能后，一次性完成记忆的提取、整合和更新。比如处理对话时，它会用“捕捉时间上下文”“提取活动细节”等技能，直接生成结构化记忆，而不是反复迭代修改。这就像熟练的工匠拿到设计图后，一气呵成完成作品，避免了反复返工的浪费。

• 设计者（Designer）：AI的“记忆进化师”。它会盯着那些失败案例——比如没记住关键信息、记错了物体位置——分析问题出在哪个技能上，然后要么优化现有技能，要么创造新技能。就像生物在自然选择中淘汰劣势性状、保留优势基因，技能银行会越进化越适配任务。

读到这里我眼前一亮：这哪里是在做AI记忆，这分明是在复刻复杂系统的生存法则。从生物进化到城市发展，从企业管理到个人成长，所有能持续发展的系统，都不是靠“全知全能”，而是靠“精准分工+持续进化”。

智能的本质，从来不是记住一切，而是学会筛选该记的，进化出记的方法。

最好的规则，是让系统自己学会创造规则

MemSkill的实验结果，远比数字本身更有冲击力。它在LoCoMo和LongMemEval的对话任务中，LLM评判平均分达到55.19，比最强基线高了12.9；在ALFWorld的实体任务中，成功率平均提升到47.44%，把传统方法远远甩在身后。

在HotpotQA的跨文档推理测试中，MemSkill的表现更能说明问题：它在200个拼接文档的超长上下文里，LLM评判分达到66.80，远超A-MEM和MemoryOS。这意味着它的技能不是“场景绑定”的，而是“能力迁移”的——就像优秀的人能在不同领域快速适应，核心不是掌握了所有领域的知识，而是拥有了可迁移的学习能力。

这些数字背后，是更深刻的启示——它解释了为什么有些系统会越发展越高效，而有些会陷入“规模越大越笨重”的困境。

我们总以为“记住的知识越多越厉害”，就像富内斯一样，拼命囤积碎片化信息，却忘了培养“学习的技能”——如何提炼核心知识点、如何关联不同领域的知识、如何舍弃无用信息。MemSkill告诉我们，人的成长不是知识的堆砌，而是学习技能的进化；就像AI的智能不是记忆的堆砌，而是记忆技能的进化。

复杂系统的效率，源于技能的分工与进化，而非操作的重复与堆砌。

拿走即用的底层洞见

MemSkill给我们的，不是一个AI技术的新方案，而是一套理解复杂系统的思维工具。无论是打造AI、管理企业，还是自我成长，我们都可以记住这个核心逻辑：

不要追求“全知全能”，而要建立“精准分工+持续进化”的机制。先找到核心技能（对AI是记忆技能，对企业是核心业务能力，对个人是关键学习能力），再根据场景灵活调用，最后从失败中迭代优化。

智能的终极形态，从来不是“记住一切”，而是“在需要的时候，能精准提取、高效运用、持续进化”。这不仅是AI的未来，也是所有复杂系统的生存法则。

参考资料

• 标题：MemSkill：为自进化智能体学习和进化记忆技能（MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents）

• 作者：Haozhen Zhang, Quanyu Long, Jianzhu Bao, Tao Feng, Weizhi Zhang, Haodong Yue, Wenya Wang

• 单位：南洋理工大学、伊利诺伊大学厄巴纳-香槟分校、伊利诺伊大学芝加哥分校、清华大学

• 链接：https://arxiv.org/pdf/2602.02474

• 评论：南洋理工等团队的浪漫，藏在这份让AI学会自己进化记忆的研究里，也藏在对智能本质的终极追问中——真正的智能，从来不是被规则定义，而是能打破规则、创造规则。