_{🧠 记忆锚点：不是重放日志，而是把有证据的轨迹提炼成可迁移原则，再按需取用。}

💡 答案要点

核心问题：Eternal Intern Problem（永恒的实习生问题）

"一个天才厨师背熟了所有食谱，但每天早上都忘记你的厨房。他不记得你的烤箱很烫，或者常客喜欢多放盐——他会按照食谱卡执行，但当你没有柠檬时就会愣住。"

这正是当前 AI Agent 的问题：擅长遵循 prompt，但无法从经验中积累智慧。MIT 2025年研究显示，95% 的 GenAI 试点失败，核心原因就是 Agent 不会"在职学习"。

ALTK-Evolve 解决方案：原则而非记录

IBM Research 2026年4月发布的 ALTK-Evolve，给出了系统性答案：

┌─────────────────────────────────────────────────────┐
│              ALTK-Evolve 长期记忆系统               │
├─────────────────────────────────────────────────────┤
│  向下流动（观测→提取）                              │
│  ├─ Interaction Layer: 捕获完整 Agent轨迹           │
│  │   （用户话语→思考→工具调用→结果）                 │
│  └─ Extractor: 挖掘结构化模式，存为候选实体          │
│                                                     │
│  向上流动（精炼→检索）                              │
│  ├─ Consolidate & Score: 合并重复、剪枝弱规则        │
│  │   → 生成高质量指南库（guidelines/policies/SOPs）│
│  └─ Retrieval: JIT 注入到 Agent 上下文              │
└─────────────────────────────────────────────────────┘

关键创新：把"记录"变成"原则"

传统方式	ALTK-Evolve 方式
把昨天日志塞进 prompt	把经验提炼成可迁移的原则
教"千层酥配方"	教"酸平衡脂肪"
遇到新情况就卡住	能泛化到新任务

AppWorld 基准测试结果：

难度	Baseline SGC	+ Memory	提升
Easy	79.0%	84.2%	+5.2%
Medium	56.2%	62.5%	+6.3%
Hard	19.1%	33.3%	+14.2%
Aggregate	50.0%	58.9%	+8.9%

"任务越难，收益越大。Hard 任务提升 14.2%，说明原则抽象确实有效——不是死记硬背，而是真正学会了推理。"

面试话术：

"2026年 Agent 面试一定会问'你的 Agent 如何持续改进'。大多数人会回答'用 RAG 检索历史对话'，但这只是 re-reading，不是 learning。ALTK-Evolve 告诉我，真正的长期记忆要把轨迹变成原则——从'这道菜多放盐'变成'咸味能提鲜'。这样遇到新食材、新菜系，Agent 都能泛化。这套框架来自 IBM Research，已经在 AppWorld 验证，效果显著。"