一项针对大语言模型（LLM）记忆更新机制的研究揭示了令人意外的结果：当AI代理不断通过LLM更新其长期记忆时，不仅未能提升性能，反而可能导致表现下降，甚至不如完全没有记忆功能的模型。研究者指出，问题核心在于“重写”步骤——当代理试图将新信息整合进已有记忆时，若缺乏对“何时”以及“如何”进行记忆固化的决策能力，更新反而会引入噪声或破坏原有有效记忆。该发现对于当前依赖LLM进行持续学习和上下文管理的AI系统具有重要警示意义，尤其是在智能助手、对话系统及自主代理等应用场景中。研究建议，在代理尚不具备自主判断记忆整合时机的能力前，最安全的做法是保留完整的“情景记忆”（episodic memory），而尽量减少或避免进行抽象的总结性记忆更新。这项成果由Dylan Zhang团队发布，相关文章已公开并引发广泛讨论。