预计阅读二十分钟，练习二十五分钟。本期学习目标是理解 Agent 如何保存并恢复已经阅读过的工具证据，区分会话归档、RAG 检索与长期记忆，辨认论文实测与工程推论之间的区别。完成后你将拥有一个不需要模型 API 的 Python 可运行演示，知道如何设计归档完整性、访问控制和质量对照实验，并能判断哪些伊克塞诊疗数据绝对不能由模型自主压缩。
来源链接与结构校验不等于独立复现。教学示意、作者报告和本站实测分别标注。
阅读目标与场景
伊克塞诊疗助手在多轮问诊时，可能先阅读图片初步观察、员工原始描述、知识库文档、药品说明书及若干工具日志。模型第一次读到这些材料时，能从中形成下一步的检索方向；然而随着任务推进，旧结果可能持续占据输入上下文，带来额外资源消耗和噪声。本文关注的不是删除历史事实，而是在原始证据仍可准确恢复的前提下，是否可以缩减模型当前反复阅读的工作区。[s1]
学习目标是掌握三个可独立验证的概念：第一，RAG 的首次召回和已阅读结果归档属于不同问题；第二，所谓可逆要求稳定标识、保存原件、原位笔记和可校验恢复，而非仅仅调用摘要模型；第三，降低输入 token 并不直接证明质量、速度或安全性提升。对于临床场景，使用任何上下文优化都必须服从原始问诊资料、处方审核依据和签署记录的保全要求。[s1]
30 秒概念与传统方案
可逆遗忘可以理解为整理工作台：Agent 读完一份很长的工具返回结果后，让框架把原始结果收入档案柜，在对话历史位置留下带编号的简短笔记；若后来需要核对，再按编号恢复完整原文。相比之下，固定截断可能直接丢掉关键依据，整体摘要虽然能够缩短文本，却未必保存每条来源的准确版本。可逆方案保留的是恢复通道，不意味着笔记本身一定正确。[s1]
这也解释了它与 Mnemo 的关系。混合检索、重排和长期记忆层负责确定从哪里找相关知识；会话证据档案则负责保存当前任务已经阅读过的工具响应。应该把这两层解耦，避免把旧库存快照、调试报错或单次图片观察误当成永久可信的知识。档案恢复只能证明当时工具说过什么，不能证明数据今天依旧有效，尤其是价格、库存、兽医在线状态及审批进度。[s1]
架构：保存、替换与恢复
论文研究的主要操作单位不是整段聊天，而是已经存在的某一条工具结果。执行框架给结果分配稳定 ID；Agent 首次读取原文后，提出拟归档的结果 ID 与简短说明。框架必须先验证全部 ID 合法、没有重复且仍处于允许归档的状态，再将每个结果的原件完整保存。只有确认整批能够安全归档，才能把活跃历史相应位置替换为短笔记；中途遇到未知 ID 时，必须拒绝整批，防止历史状态出现不一致。[s1]
可逆证据管理的六个步骤
- 步骤 1工具结果
保留初次完整观察，标注稳定结果编号。
- 步骤 2策略筛选
排除关键临床证据，再决定候选归档对象。
- 步骤 3批量检查
验证所有目标合法；错误时整个批次拒绝。
- 步骤 4归档原件
保存完整内容、来源、时间与完整性摘要。
- 步骤 5原位索引
在历史位置留下可追踪的简短说明。
- 步骤 6精确恢复
需要复核时按引用读取原文而非生成近似摘要。
恢复动作应当保留来源和观察时间，并把原件作为可识别的新结果提供给模型。它不能悄悄改写历史上用户说过的话，也不能绕过业务授权读取其他人的材料。实际工程中还必须决定归档何时过期、原始对象如何加密、是否需要多模态字节保存、如何进行审计以及怎样在恢复失败时安全降级。上述保护手段大多属于面向生产的设计扩展，不能全部归功于论文已验证的原型。[s1]
论文数据怎样解读
核心论文报告的一项探索性 OpenTelemetry 调试及后续开发任务对照中，保留完整历史的最后一次测量提示词为 912492 tokens，而归档策略为 231951 tokens；累计输入量从约 4577 万下降到约 2299 万。研究估算费用也有下降，不过归档策略模型请求增多，整个任务的墙钟耗时还增长约百分之十七。这里的数字属于论文作者报告，不是我们对伊克塞线上环境的实测结果，也不能作为预期节省的承诺。[s1]
更加重要的是负面实验。论文另外观察到，一些应用开发任务没有明显上下文或费用收益，某次浏览器延续任务还出现人工评估质量下降。主要行为检查通过也不代表所有后续任务目标都完成。选择是否部署归档策略时，必须把累计 token、模型请求次数、端到端延迟、恢复操作次数以及回答质量放在同一张对照表中，不能只挑有利的 token 统计来说明方案成功。[s1]
工作区体积教学图
教学示例数据，非论文实验结果
查看示例数据表
| 配置 | 数值（虚构单位） |
|---|---|
| 初始 | 20 虚构单位 |
| 读取长日志 | 90 虚构单位 |
| 整理后 | 50 虚构单位 |
| 新任务 | 75 虚构单位 |
| 再次整理 | 48 虚构单位 |
算法与模块设计
Mnemo 可以增加独立的 Session Evidence Archive 模块，字段包括会话标识、工具结果标识、原始内容位置、哈希、观察时刻、来源工具、敏感等级和恢复权限。向量检索索引只用于定位材料，不能代替原件；引用关系则应能够追溯某一结论来自哪次检索。对于伊克塞诊疗助手，应首先允许低风险的长日志和重复中间结果进入候选队列，而将用户确认事实、用药依据与兽医审批记录始终保持在业务持久化证据链里。[s1]
可靠实现不能只关注压缩比例，还要防止各种失败模式：两个请求并发归档同一结果、存储原文成功而索引更新失败、恢复读到了损坏内容、跨组织请求错误地访问档案，以及模型受到工具文本中注入指令的诱导。对于每个失败应有明确的操作语义，例如拒绝非法批次、保留原件、记录异常并停止自动归档。建议系统默认失败关闭归档功能，而不是把不完整摘要当成已经核实的事实继续回答。[s1]
代码：最小可运行原型
import hashlib
class Memory:
def __init__(self):
self.live = {}
self.saved = {}
def add(self, key, value):
if key in self.live:
raise ValueError("duplicate")
self.live[key] = value
def apply(self, notes):
if not notes or any(k not in self.live or k in self.saved or not v.strip() for k,v in notes.items()):
raise ValueError("invalid batch")
for k,note in notes.items():
raw = self.live[k]
digest = hashlib.sha256(raw.encode()).hexdigest()
self.saved[k] = (raw,digest)
self.live[k] = "[archive] " + note
def recover(self, key):
raw,digest = self.saved[key]
if hashlib.sha256(raw.encode()).hexdigest() != digest:
raise ValueError("tampered")
return raw
m = Memory()
m.add("r1","原始工具输出")
m.apply({"r1":"已归档，可复核"})
assert m.recover("r1") == "原始工具输出"
print("PASS")这段代码的验证意图十分有限：它能够拒绝没有意义的结果 ID、避免重复归档，并通过哈希检查发现存档内容被意外修改。因为所有状态都存在单个 Python 对象里，它并没有提供数据库事务、并发锁、跨进程恢复、身份权限以及多模态原始文件管理。练习时应该刻意制造失败，然后解释为什么通过一次本地 assert 并不能作为生产环境可用性的证据。若要进入伊克塞主线，还需补全审计、持久化和用户组织级隔离。[s1]
相邻研究一：计划局部修复
2026 年 10 月 7 日的 Plan-and-Patch 研究尝试让扩散语言模型在长任务规划时保留仍然有效的计划前后区域，只重新生成中间失效片段。在 Natural Plan 的对应设置里，论文报告扩散方案计划修复成功率 53.7%，对照自回归方案为 27.0%；其他训练设置下计划生成平均延迟也有改善。数值仅适用于论文给出的任务与模型配置，不能推导为伊克塞电子处方审批速度会出现同等改善。[s2]
对于工程实施，最值得借鉴的不是立即切换模型，而是把诊疗问诊、证据检索、处方审核、通知发送拆成可追溯的执行节点。当某个通知节点失败时，重试范围应限于失败部分，不要重新运行已确认的临床判断或重复签署。需要记录节点输入输出、幂等键与副作用状态，并在跨服务故障时保证用户不会看到重复的处方。这个方案是由论文思想引出的产品建议，尚需本地回归测试证实。[s2]
相邻研究二：时间预算
另一项 10 月 7 日提交的 On the Clock 研究表明，让模型只阅读一句请在指定时间内完成，并不足以保证守时。执行框架反馈时间信息、设置截止钩子能改善遵守预算的能力，但一旦达到守时目标，增加可用时间不一定换来更好任务结果。论文关注特定模型和评测环境，因此生产上应该分别建立守时率、任务质量、工具消耗和有效动作比例的指标，而不是把按时完成直接等价为智能。[s3]
伊克塞目前可以把等待人工兽医、数据库轮询、SSE 推送、知识检索和模型推理视作不同的时间域。deadline 应由服务端管理，模型只能得到可信的剩余预算提示；超时要能安全中断或切换状态，而非只靠提示词自我约束。比如已经进入兽医审核队列的处方不应因为模型推理预算耗尽而被当作业务失败，通知和重试也要遵循独立的业务时限。[s3]
三组对照与验收
建议先准备固定的脱敏长任务样本，进行三组实验：完整历史、固定摘要或截断、可逆归档。三组使用相同模型配置、检索条件和任务目标，分别记录输入 token、请求次数、P50 与 P95 延迟、归档/恢复频次、任务成功率、事实引用正确率和关键证据缺失率。观察数据时必须说明哪个是论文报告、哪个是内部复现、哪个是教学虚构数值，严禁把本期图表中的虚构单位当成性能基准。[s1]
上线门槛应该首先是安全门槛：跨用户恢复必须拒绝，所有关键证据可核查且恢复结果与原始哈希一致，错误批次不产生部分归档，存储不可用时任务能够回退至完整历史方式。满足安全后再看是否确实降低资源消耗，并确认成本收益没有以明显延迟上升或答案质量下降为代价。最终决定应基于相同任务的重复实验，而非根据单篇探索性论文就默认在所有 Agent 上开启自动遗忘。[s1]
25 分钟动手练习与误区
练习先运行上面的代码确认输出，再加入不存在的 ID 测试批次拒绝，然后篡改 saved 中的原始文本并尝试 recover，确认完整性错误被检测。最后写出两种必须立即重新查询实时业务系统的状态，以及两种不适合自动归档的诊疗关键证据。若把历史库存档案误当成实时库存，或者认为哈希可以证明药品建议在临床上正确，就说明尚未区分存储完整性、来源可信性、时效性及临床决策责任。[s1]
可逆归档与永久截断的核心区别是什么？
论文观察到输入 token 明显下降后，最合适的结论是什么？
为什么昨日的库存归档不能证明今日有货？
25 分钟工具证据恢复测试 · 25 分钟
- 前五分钟运行代码，观察 PASS 输出和归档前后历史。
- 第六到十二分钟使用不存在的结果 ID，验证归档批次被完整拒绝。
- 第十三到十八分钟篡改保存的原件，确认哈希验证失败。
- 剩余时间设计两项诊疗证据禁归档规则及两项实时状态重新查询规则。
验收：必须得到 PASS 输出；非法批次不得改变有效原件；哈希异常必须被阻止；能清晰解释历史档案与实时查询之间的区别。
完成标准：本期全部自测答对、主动确认实践，再点击完成。修改为错误答案或取消实践会取消完成状态。
三个关键收获
- 可逆归档优化活跃上下文，但不能代替原件存储、授权与原始证据追踪。
- token 成本、墙钟延迟和任务质量应分别评测，不能以某一个指标替代其他指标。
- Agent 的证据、计划与时间预算最好由可审计的执行框架分别管理。
职业方向
职业成长建议：用四周完成 Session Evidence Archive 的独立工程作品。第一周实现归档恢复及稳定标识，第二周补足持久化、权限及哈希校验，第三周设计带错误注入的固定对照测试，第四周整理成本、质量与失败案例，形成附真实复现条件的技术报告。
其他进展
Plan-and-Patch: Diffusion Language Models for Agentic Planning：2026 年 10 月 7 日，Plan-and-Patch 提出结构化 Agent 计划的局部修复，适合启发有幂等约束的业务节点重试，但不能直接等同生产实测。
On the Clock: Towards Punctual and Productive Time-Budgeted AI Agents：2026 年 10 月 7 日，On the Clock 分析有限时间内的 Agent 行为，强调执行框架的时间反馈和截止约束，避免只用提示词管理时间。