导读：*：我们总觉得，让 AI “记笔记”就能越用越聪明。2026 年 8 月一篇来自石溪大学的受控实验，把“记法”拆成两个旋钮逐个拨给你看：一个管“拆多细记”，一个管“写成什么”。结果反常识——大多数产品默认的那档（干完一整件事写段总结）不但不加分，还把成功率砸掉最高 7.4 个百分点；而“拆成子任务、用自然语言写”的组合，却稳稳把分抬起来。更反直觉的是，失败的经验也有用，只要你记对了方法。本文用 14 张图，把这场“经验能不能迁移”的实验讲透。
第一章 那次让研究者意外的实验
2026 年，给 AI 装一个"记性"成了圈内最热闹的事。思路听起来天经地义：智能体干完一个任务，把"怎么干的"总结成一条笔记存起来，下回碰到类似的活儿翻出来用，它就该越干越顺手。几乎所有主流框架都在往这个方向卷，名字一个比一个响亮，从让 AI 反思自己失败的 Reflexion，到在游戏里把技能写成代码存着的 Voyager，再到把长程会话重组成技能库的 ExpeL、AWM。资本和论文都在押注同一件事：让 AI 像人一样，干得多了就变厉害。
石溪大学（Stony Brook University）的一支团队却做了一件扫兴的事。他们没急着庆祝"AI 会学习了"，而是架起一套受控实验，认真问了一个大多数人跳过的问题：这种笔记，到底什么时候真的帮了智能体，什么时候反而拖了后腿？
结果打了很多人的脸。
他们拿 11 个主流大模型、三个真实任务基准（加起来跑了一千多个任务）做对比，发现一个反常识的结论：怎么记，比记不记更重要。 把整段任务揉成一条长笔记的智能体，平均表现比"什么都不记"还要差；而把任务拆成几步、每步各写一条短笔记的智能体，才真的变强了。更离谱的是，写成人话的笔记，比写成代码的笔记更好使，尽管工程的直觉完全相反。
这篇论文叫 *Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents*（arXiv: 2608.20274），直译过来就是"拆细了，传下去"。它没提出什么花哨的新架构，做的是一件更朴素也更有用的事：把"经验复用"这件大家都在喊口号的事，拉到实验台前，用数字量了一遍。论文 34 页，28 张图，7 张表，把两个变量拧来拧去比了个透。
我把这篇论文啃完之后，最大的感受是，它戳破了一个我们很容易信以为真的幻觉。我们总默认"让 AI 多积累经验"是好事，孩子多练题会变强，员工多干几年会老练，于是想当然地认为 AI 攒够笔记也会变聪明。但经验这个东西，记法不对，就是包袱。一个写歪了的总结塞进上下文，不只会没用，还会把模型带偏，把上一个任务的错误原样传过来。
不妨设想一个具体的场景。周一，你的智能体帮客户在电商后台把一批举重长凳下了单，干得不错。它很乖地写了条笔记："这次是在亚马逊购物车里筛举重长凳、用满减券、走企业支付。"周二，另一个客户让你买瑜伽垫。智能体翻出周一的笔记，满脑子还是举重长凳的套路，于是它去筛"举重长凳"、找满减券、套企业支付，全用错了地方。笔记越多，它越容易翻到一条沾边但其实是坑的旧经验。这不是它变笨了，是你的记忆系统在设计上没想清楚"该记多细、记成什么样"。
这个场景不是我编的，它正是论文里反复出现的 AppWorld 基准的缩影。正是这种"经验反向拖累"的现象，让研究团队决定把记法单独拎出来做实验。
这一章先把最硬的三个事实交给你，后面再一层层拆开讲为什么，以及为什么这件事值得每个做智能体的人停下来想想。
谁做的：石溪大学等机构，受 Amazon Research Award、美国国家人工智能研究资源计划（NAIRR）和 NSF 资助，代码已经开源在 GitHub 上，协议是 MIT。
做了什么：在 11 个模型（包括 Qwen3 系列从 4B 到 235B、GPT-OSS-120B、Gemma-3 系列和商用模型 Gemini-3.1-Pro）和三个长程任务基准上，系统地比较了"任务级归纳"和"子任务级归纳"两种记法，以及"文本"和"代码"两种笔记格式，一共六种情况。
发现了什么：子任务级归纳配合文本笔记，能稳定地把智能体往上托；任务级归纳几乎总是把它往下拽，文本笔记在两个层级上都比代码笔记迁移得更好。论文还顺手给了一条"技能效用分数"，不跑任务就能预判一条笔记到时候有没有用。
一句话钩子放在这儿：你让 AI 记笔记，它可能记成了一只拖慢自己的锚。后面我会用数据告诉你，这只锚长什么样，又该怎么拆掉它。先别急着给你的智能体开记忆，先想清楚它该怎么记。
2026 年的智能体赛道有个怪现象：几乎所有产品发布会都在讲"我们的 AI 会越用越懂你"，可很少有人拿得出证据证明它真的越用越强。多数团队把记忆当成一个开关，打开了就算有了，至于记进去的东西到底帮不帮忙，反而没人测。这篇论文最值得尊敬的地方，就是它没被这种氛围带着走，而是老老实实把开关拆成两个档位，一个个拨给你看。这种"先问有没有用，再问能不能用"的态度，在这行里反而成了稀缺品。
论文还有一个让人服气的细节：它把代码和所有归纳出来的技能库都开源了，协议是 MIT。这意味着你不用信它的结论，直接把它的脚本拉下来，换你自己的模型、你自己的任务，跑一遍就知道。在 AI 论文普遍"结论很美、复现很难"的当下，这种"你来验"的姿态，比任何漂亮数字都更有说服力。我们后面所有引用的数字，也都来自这个公开可查的实验。
在往下读之前，先把"技能记忆"长什么样在脑子里立住。它不是一个数据库里冷冰冰的条目，而是一叠带描述的卡片：每张卡片有一句话的描述（用来决定"下次遇到什么任务该翻我"），加上一段正文（文本笔记就是步骤和坑，代码笔记就是一个函数）。新任务一来，系统把任务描述拿去和所有卡片的描述比一比，挑最像的几张，把正文塞进上下文。所以一条笔记"好不好用"，取决于两件事：它的描述能不能在对的时候被翻出来，它的正文翻出来之后是不是真的帮得上。后面所有结论，都围绕这两件事转。
把视野拉到 2026 年整个领域，"智能体会学习"已经从学术玩具变成产品卖点。资本愿意为"越用越聪明"付溢价，论文愿意为"加了记忆分数涨了"发一篇，用户愿意为"它记得我"多留一阵。这条链路上每一环都有夸大空间，唯有中间那步"它记的东西到底帮没帮忙"被默认成真命题。石溪这篇论文的价值，就是亲手把那个默认戳了个洞。它不反对"让 AI 学"，它只是要求：在说"学会了"之前，先拿出对照实验。这种克制的怀疑，是当下最该被复制的研究姿态。
顺带交代一下论文的"出身"，方便你判断它的分量。作者团队来自石溪大学等机构，研究受 Amazon Research Award、美国国家人工智能研究资源计划（NAIRR）和 NSF 资助，计算资源用了 DeltaAI 和三大云。它没挂在哪个巨头实验室名下，是一篇典型的学院派受控研究，好处是中立、可复现，坏处是不带流量。我们选它做今天的长文，正是看中这种"不靠名气靠数据"的质地。结论能不能推广到你手上，论文把检验的工具都开源了，剩下的交给你。
这篇文章不会替你读完论文，也不会假装覆盖了它的全部技术细节。它要做的是，把那两个旋钮、那张数字表、那个效用分数，用你能带走的方式讲清楚，再告诉你哪些边界别越。技术细节、公式系数、28 张图，都在原论文里等着真正要落地的人。我把"人话版"给你，把"说明书"留给你，这分工本身，也是对这篇论文"先问有没有用"精神的一次实践。
写长文解读，最容易犯的错误是把论文当说明书逐段翻译。我刻意没那么做，而是先抓那根主刺：记法比记量重要。其余的枝节，无论多精彩，都先放一放。一篇好的科普，不在于覆盖得全，而在于让读者记住一个能改变行动的判断。这篇论文值得被记住的判断，就是这一句。
第二章 智能体为什么需要"记笔记"
要理解这篇论文在扳倒什么，得先说清楚智能体本来有多"健忘"，以及这个健忘在真实场景里到底有多贵。
一个朴素版的 AI 智能体，干每一件活儿都是从零开始。你让它"帮我把这封邮件里提到的订单整理成表格"，它不会想起上周整理过的另一封邮件，也不会用上上个月写过的那个脚本。它把任务从头到尾走一遍，交付，然后忘干净。下次再来一个差不多的活儿，它照样从头来。用行话说，它"不从经验中成长"。
这在简单任务上没问题，可一旦任务变长、变杂，代价就出来了。真实工作里的任务往往要调用十几个工具、跨好几个软件：查邮件、改表格、生成文档、提交表单。每一步都可能出错，前面错一步，后面全跟着歪。一个没有记忆的智能体，等于每次都把之前踩过的坑再踩一遍，把已经摸清的门道再摸一遍。
你可以把它想象成一个永远记不住病人的护士，或者一个每次进同一间厨房都要重新找锅的厨师。不是它笨，是系统设计上就没给它留"上次怎么做的"这个东西。更糟的是，长任务里的每一步都依赖前面的结果，没有记忆就意味着每一步都要重新推理整个上下文，算力和时间都在白白流走。
于是有人想了个办法：让智能体干完活之后，把"这次是怎么搞定的"总结成一条笔记，存进一个叫"技能记忆"的东西里。下次碰到相关任务，先去翻翻笔记，照着提示走。这套机制通常有三步。归纳，就是写笔记；存储，就是把笔记收好；检索，就是碰到新任务时把相关的翻出来塞进上下文。
这套机制和人的两样东西很像。一个是"错题本"，考砸了记一笔，下次别再错；另一个是"肌肉记忆"，练多了某个动作不用想就能做。智能体想长本事，靠的就是这个。区别在于，人的错题本和肌肉记忆是生物自带且会自动泛化的，而智能体的技能记忆是工程师手工设计的系统，记什么、怎么记、怎么翻，全是人定的。记法定错了，这套系统不但帮不上，还会反过来干扰。
这里头有个常常被低估的坑：上下文污染。智能体干活时，所有信息都塞在同一个上下文窗口里。一条写歪了的旧笔记被翻进来，会占用本来就紧张的空间，还会用错误的"前例"引导模型。论文引用了好几篇先前的工作，都零星观察到过这件事：不相关的上下文会削弱模型表现，错位的记忆会传播错误，连相关的记忆都可能传不过去。只是没人把它当成主问题来系统研究。这篇论文的价值，正是把这些零散的观察拧成一根主线，用受控实验问清楚：到底什么样的记忆才真的有用？
这个方向在 2026 年火得一塌糊涂。早一点的 Reflexion 让智能体反思自己的失败；ExpeL 从任务里提炼可复用的经验；Voyager 在游戏里把学到的技能写成代码函数存着；后来的 AWM、Memp，有的写成文字，有的写成代码，但内核都一样：让智能体攒一个属于自己的技能库，越用越聪明。一些工作甚至让智能体边跑边改自己的记忆，让经验真正"滚动"起来。
听起来很美。可这里头藏着一个没人认真回答的问题：这些笔记，到底有没有真的帮上忙？还是说，它们只是看起来很努力？这正是石溪团队出手的地方。他们注意到，已有的工作大多只报"用了记忆之后分数涨了"，却很少有人问：如果记法换一种，结果会不会反过来？所以这篇论文干的第一件事，就是把"记法"这个变量单独拎出来，控制住其他所有东西，看它到底怎么影响结果。下一章我就把这两种记法摆到你面前，并告诉你它们长得到底有什么不一样。
为了让"健忘"这件事更具体，我得先讲清楚一个朴素智能体到底是怎么干活的。它跑的是一个叫 ReAct 的循环：每一步，模型看着当前的上下文（目标加上之前所有的动作和环境的反馈），生成一个动作，比如"调用搜索接口查一下订单号"；环境执行完，把结果（成功或者报错）还给它；它再看一眼，生成下一步。这个循环一直转到它宣布完成，或者撞到步数上限。问题在于，上下文是越滚越大的，而那条"动作加反馈"的尾巴，就是它唯一能记得的"经验"。任务一结束，尾巴清零，下次从头来。技能记忆要解决的，就是把这个尾巴里值得留的东西，存成跨任务的笔记。理解了这点，你就能体会为什么"记什么、怎么记"会这么要命：记进上下文的每一条，都在和它要做的下一步抢注意力。
需要强调的是，这篇论文选的实验设计非常克制。它没有提出新模型，没有堆新技巧，而是把"记法"从一堆混杂的因素里单独剥出来。这种克制恰恰是它的力量来源：当所有人都忙着往上加东西，它选择往下减，减到只剩两个旋钮，于是任何一个结果都能干净地归因。做研究做产品都该学这一手，少一点"全能方案"，多一点"单变量对照"。
回到产品现实，大多数今天上线的"有记忆的 AI"，恰好踩在最差的那个档位上。它们干完一整件事，让模型写一段总结，存起来，下次整段塞回上下文。这不就是论文里被打得最惨的"任务级"吗？所以这篇论文某种程度上是在替用户提前验证了一个担忧：你以为你在给 AI 开"经验加成"，弄不好是在给它戴"经验枷锁"。区别只在你有没有把任务先拆开。理解这一点，比追逐任何新模型都实在。
还有一层常被低估的难度：检索本身会出错。笔记库一大，新任务描述去匹配，翻出来的未必是最合适的那张，可能翻出一张沾边但其实是坑的旧笔记。论文专门验证过，检索质量在两种层级间几乎没有差别，所以这里的胜负不在"找没找到"，而在"找到的那张进了上下文后，模型怎么被它带偏"。这点在 RAG 系统里也被反复印证：检索准，不代表用得对。记忆系统的真正难点，从来不是"存"和"找"，而是"用了之后别坏事"。
把"健忘"的类比再推一步。那个永远记不住病人的护士，问题不只是记性差，更是她每次都要重新建立对病人的全部理解，于是把上一次有效的处置和这一次的干扰混在一起。智能体的上下文污染，说的就是同一个困境的数字版：旧经验不是没用，是没被整理好，于是好经验和坏经验、相关经验和无关经验，全挤在同一个窗口里互相踩踏。技能记忆想解决的，正是"把经验整理好再上桌"。而这篇论文补上的，是"整理"这件事本身有对错之分，不是整不整理的问题。
说句公道话，产品们往"记忆"上靠，也不全是忽悠。对于一个本来就容易忘、一出错就重来的系统，哪怕粗糙的记忆，确实能省掉一些重复劳动。问题在于，当记忆从"锦上添花"变成"默认卖点"，它就该被当成一等公民来设计，而不是一个"存了就行"的附属功能。这篇论文最该被产品团队抄走的，就是这种"把默认项拿上实验台"的习惯。
不过话说回来，把现有产品的记忆默认项换成子任务级，不是改一行配置的事，往往要重构"任务怎么跑"的主流程。所以这篇论文对大厂的价值，更多在"别再往任务级上堆功能"，对创业团队的价值，则是"从第一天就用对记法"。同一结论，不同体量的团队，落地成本天差地别，这也是为什么我反复说，先在你的场景里小范围复测。
第三章 两种记法，两种命运
记法这件事，论文拆成了两个可以独立转动的旋钮。把这两个旋钮一拨，就得到了六种不同的组合。前面讲背景时你大概已经猜到，问题就出在这两个旋钮的某一档上。我们先看第一个。
旋钮一：归纳层级（任务级 vs 子任务级）
假设你让智能体完成一个任务：在模拟的电商 App 里，把购物车里所有举重用的长凳下单买下来。任务级归纳的做法是，等整件事干完，把从登录、搜索、筛选、加购到下单的整条轨迹，揉成一条长长的笔记。这条笔记里写满了这次任务特有的细节：它记下了"举重长凳"这个具体商品，记下了这次用到的筛选条件，甚至连这次碰到的某个 App 报错都写进去了。
子任务级归纳不这么干。它先把任务拆成几步，登录、筛选商品、加入购物车、提交订单，每一步干完，就立刻把那一步总结成一条短笔记。四条短笔记凑起来，覆盖了和那条长笔记一样的过程，但每一条都只盯着一个子步骤，只讲这一小段该怎么做、有什么坑。
论文在附录里放了一个真实的例子，对比得非常直观。同一个 AppWorld 任务（订购举重长凳），任务级归纳产出的代码技能，把"举重长凳"这个关键词直接写死成了函数的默认参数；而子任务级归纳产出的几条代码技能，分别针对登录、购物车筛选、下单，全都是泛化的，不绑定任何具体商品。一条函数里焊死的商品名，下次换任务就成了累赘；一条只讲"怎么筛选购物车"的函数，买什么都能用。这就是为什么任务级笔记"专一得过了头"，通用度被压扁。
差别看着不大，后果却天差地别。关键在"专一"和"通用"的拉扯上。那条长笔记被"举重长凳"这个具体商品钉死了，下次你让它去买别的东西，它翻出这条笔记，满脑子还是举重长凳的套路，反而碍事。而那条只讲"怎么筛选商品"的短笔记，不管你买什么都能用，因为它的内容已经和具体商品脱钩了。
论文特意让两种记法共用同一套归纳提示词，唯一的区别就是"归纳时读的是整段轨迹，还是其中一段"。这样比出来的差异，干净地落在"记法"本身上，不会被别的变量搅浑。任务级智能体其实是子任务级的一个特例：它把整个任务当成唯一一个子任务，只跑执行器，不跑规划器和总结器。所以两者底层的执行逻辑是一样的，公平。
旋钮二：技能格式（文本 vs 代码）
同一个技能，你还可以选择用哪种形式写。文本技能就是一段人话的工作流笔记：先做什么、再做什么、这个环境里有什么坑要注意。代码技能则写成一个 Python 函数，把这次任务里的具体数值当参数，把环境注意点当注释。比如同样是"筛选商品"，文本笔记会写"先用搜索框输入关键词，再从结果里按价格排序筛掉超预算的"；代码笔记会写成一个函数，把"举重长凳"和预算数字焊死在参数里。
工程圈其实偏爱代码。Voyager 把游戏里学的技能写成代码函数，AWM 也这么干，理由很直观：代码能直接执行，智能体还能按名字调用，看起来既精确又可执行。文本笔记听着就软，像人在便签上随手画的流程图，谁会指望它压过代码？
论文把这两个旋钮交叉了一下，得到六种情况：任务级（无记忆）、任务级加文本、任务级加代码、子任务级（无记忆）、子任务级加文本、子任务级加代码。然后让 11 个模型在三个基准上把这六种情况全跑了一遍，每个基准的任务都用官方评测器打分。
这里还有个工程细节值得提一句：检索时，两类笔记都只靠"描述"这一句话去做语义匹配，不管是文本还是代码，都是把描述嵌进去算相似度，取最相关的前几条塞进上下文。代码技能被翻出来时还会额外加载进执行环境，让智能体能按函数名直接调用。两套检索机制对文本和代码是一视同仁的，所以这个对比同样是干净的。
接下来两章，就是把这六种情况摆上擂台，看数字怎么说话。记住这两个旋钮，后面所有的反常识都从这儿长出来。
有人可能会问，既然两个旋钮这么关键，以前的工作难道就没注意到？论文的表 1 把十几个相关系统排成一列，清清楚楚标出每个系统落在哪个层级、哪种格式。你会发现，绝大多数系统要么是任务级，要么是子任务级，但几乎没有人把两个层级放在完全相同的条件下正面对比过。子任务级的那几个先驱，也只在自己的一两个小领域里报过正向结果。这篇论文干的就是把这场对比拉到同一个赛场、同一套提示词、同一批模型下公平跑一遍，于是那些被领域偏见掩盖的规律才浮出水面。
补一句子任务级智能体内部的运转。它不是简单地"把任务切块"，而是跑一个三角色的循环：规划器读目标和进度，提出下一个子任务或宣布完成；执行器在单个子任务上跑 ReAct 循环，产出一小段轨迹；总结器把这段轨迹压成一句进度摘要，交给下一轮。所以子任务级比任务级多出来的，正是这个"边做边拆、边拆边记"的机制。任务级可以理解为这个循环的退化版：整个任务就是唯一一个子任务，规划器和总结器都撤掉。这个设计差异很小，后果却很大，再次说明记法的细节比记法的"有没有"更关键。
如果你还觉得两个旋钮抽象，可以这么记：第一个旋钮回答"一条笔记覆盖多大一块经历"，第二个旋钮回答"这条笔记用哪种语言写"。把两个旋钮的理想档位连起来，就是一句人话："把经历拆成小步，每步用大白话记一条。"整篇论文几十页、上千次实验，最后收敛成这句朴素的话。好的科学研究，常常就是把常识性的直觉，用实验确认或推翻，然后还给你一句人话。
你可能会问，既然任务级这么差，为什么还有那么多人用？答案很现实：任务级实现起来最简单。你不用写规划器，不用写总结器，干完一整段让模型吐一段总结就完事，工程上省事。子任务级要额外维护"拆任务、收进度"的循环，多出两个角色和一堆提示词。很多团队在原型阶段图快，默认就上了任务级，然后发现"加了记忆没啥用甚至更差"，就得出"记忆不靠谱"的结论，反而把方向带偏。这篇论文等于替整个方向正了名：不是记忆不靠谱，是你记错了。
再补一句检索机制上的公平保障。前面说两类笔记都用同一套描述匹配，但代码技能被翻出来时还会被加载进执行环境，让智能体能按名字调用。有人会担心，这是不是给代码开了小灶，让它在上下文里更"显眼"？论文也测了：代码确实因此检索命中率更高（多了一条匹配路径），可结果仍是文本赢。所以即便给代码加了这层便利，它还是输在"用不好"上。这个细节再次说明，结论不是靠削弱对手赢来的，而是对手被加 buff 之后依然赢不了。
关于那个 15 步上限，多说一句，免得你误以为"拆得越细越好"是本文主张。论文把子任务级智能体的子任务上限设为 15，每一步共享 50 步的执行预算，这是个工程权衡：拆得太碎，规划器和总结器的开销、检索的噪声都会上来，反而拖累。所以"子任务级赢"是在"合理细"的前提下的结论，不是"无限细"的结论。落到你的系统，拆的粒度要对齐"可复用的最小子能力"，而不是对着步骤数较劲。
讲完两个旋钮和它们的公平对照，下一章就该看数字了。但在翻表之前，请记住这一章给出的核心心智模型：一个旋钮管"覆盖多大经历"，一个管"用什么语言写"。后面所有反常识，都是这两个旋钮拨错档位的结果。带着这个模型去读下一章，那些数字就不会是孤立的 statistic，而是"记法错在哪"的具象证据。
第四章 数字说话：子任务级赢，任务级输
这一章是全文的硬核。我把论文里最关键的几张表摊开，你只看数字就能感觉到哪里不对劲。先把实验的盘子说清楚，免得后面数字没着落。
实验在三个基准上跑。AppWorld，智能体在九个模拟 App 里调工具办事，比如查日历、发邮件、下订单，一共 417 个任务；OfficeBench，覆盖邮件、Word、Excel、PDF 这类办公流，300 个任务；KramaBench，六个科学领域的真实数据科学管线，92 个任务。评测用的是各基准自带的官方打分器，任务成功得分在 0 到 1 之间，最后报平均成功率。模型方面，三个 MoE（Qwen3-235B-A22B、GPT-OSS-120B、Nemotron-Super-120B），六个稠密尺寸（Qwen3 的 4B 到 32B、Gemma-3 的 4B 到 27B），再加一个商用模型 Gemini-3.1-Pro，共 11 个。
先把 11 个模型混在一起算平均，结果长这样。
任务级那一栏，无记忆时平均成功率 22.1。加上文本笔记，掉到 20.9，跌了 1.2 分。加上代码笔记，掉到 18.0，跌了 4.1 分。换句话说，加了记忆，反而比什么都不加还差。 这不是个别模型抽风，是平均下来的趋势，而且在三个基准上，任务级技能最高能把智能体拉低 7.4 分。
子任务级那一栏，无记忆时 24.8。加上文本笔记，涨到 26.7，提了 1.9 分。加上代码笔记，涨到 25.3，提了 0.5 分。拆细了记，才真正把智能体往上托。其中文本格式在三个基准上全都是正贡献。
把这两组数放一起看，反差就出来了：同样是"让 AI 记笔记"，任务级把它按进泥里，子任务级把它托起来。记法这一个旋钮，拨错了方向，代价是实打实的分数。而且这个差距在 AppWorld 这种难度高的基准上最夸张，因为任务越长越杂，那条错笔记带偏的威力就越大。
光看平均会掩盖一些戏剧性的个案。在 AppWorld 上，强大的 GPT-OSS-120B 用任务级加代码时，成功率从 27.3 直接崩到 1.0，几乎归零；而同一个模型用子任务级加文本，稳在 25.2。Nemotron-Super-120B 也类似，任务级加代码掉到 1.4。这些数字说明，对不少模型而言，任务级代码笔记不是"略有拖累"，而是"直接搞废"。反过来，子任务级笔记对弱模型也有托底作用，比如 Qwen3-4B 在各条件下都接近零，但子任务级加代码至少把它从 0.0 拉到了 1.4。
有人会怀疑：是不是因为子任务级那个智能体本身结构就更复杂，它多了规划器和总结器，所以才赢？论文堵死了这个质疑。他们做了个干净的实验：把子任务级归纳出来的笔记，原封不动塞给任务级智能体去检索，冻结归纳，让任务级智能体每次进任务时手里拿的就是子任务级当时攒的库。结果呢？同一个任务级智能体，用子任务级的笔记，平均涨了 9.9 分，在 AppWorld 上最高涨了 17.2 分；而它用自己的任务级笔记时，每个基准都被拽到无记忆基线以下。这就证明了：差异来自"笔记本身长什么样"，而不是"用笔记的那个智能体长什么样"。一只更笨的 agent，只要翻对了笔记，也能从坑里爬出来。
还有一个细节值得说。任务有难有易，有人可能觉得"难的活儿才需要记忆，简单的记了反而乱"。论文按官方难度标签把任务切成易、中、难三档，结论在每一档都成立：任务级技能几乎在每一档都减分，子任务级在多数档都加分，而且加分幅度普遍更大。所以这不是"只在某类任务上灵光"的巧合，是贯穿全程的规律。哪怕是最简单的任务，任务级笔记也常常帮倒忙，这个发现挺让人意外。
效率上也有个好消息。有人会担心，拆子任务会不会更慢更贵？论文按单任务耗时和一种叫"依赖度"的上下文计算量做了对齐比较。依赖度近似一个任务在上下文上花掉的注意力工作量。结果在中等预算以上，子任务级智能体在每个格式下都反超了任务级，而且更早触顶饱和。也就是说，子任务级的优势不是靠多烧钱买来的，它是真本事，在不增加成本的前提下就赢了。
讲到这儿，第一个反常识已经坐实了：你想让 AI 从经验里变强，先别急着让它写总结，先想清楚它该"拆多细"去写。下一章我们拨第二个旋钮，看看笔记写成什么形式更管用，结论同样不按直觉走。
我把这个发现翻译成产品语言：如果你在做客服智能体、运维智能体或者任何"天天处理类似工单"的系统，别指望给它接一个"自动总结"模块就能变强。那个模块如果按整单总结，大概率是在给下一次处理埋雷。先把工单拆成"鉴权、查账、改配置、回执"这种标准子步骤，每步各记一条，效果会实在得多。这也是这篇论文对一线工程师最接地气的一句提醒。
再补一个成本视角的细节。论文用来衡量"花了多少"的指标叫 MEM1 依赖度，公式近似于把每次模型调用的输入长度和输出长度，按一个固定的权重组合后累加。直觉是：上下文越长，模型在它上面花的注意力越多，成本越高。子任务级之所以能在"不增加成本"的前提下反超，是因为它把长上下文切成了短的子任务上下文，每一小段都更聚焦，总体注意力开销反而更省。这对精打细算跑大模型的团队是个好消息：拆细了记，不只是效果更好，账单也可能更好看。
我得提醒一句，平均会掩盖方差。把 11 个模型搅在一起算平均，确实干净，但弱模型（比如 4B 级别）在几乎所有条件下都接近零，对平均的拉动很小；真正拉开差距的是中大模型。所以"子任务级加文本"的结论，对已经有相当能力的模型最明显。对一个本来就干不成活的弱模型，拆细了记能稍微托个底，但别指望它逆天改命。读任何 AI 论文的平均数时，都该记得往方差里看一眼，这篇也不例外。
还有一个稳定的锚点值得提：商用模型 Gemini-3.1-Pro 几乎在所有条件下都待在 60 到 80 分区间，且"无记忆"和"加记忆"之间差距很小，因为强模型本身就很能打，记忆的边际增益有限。真正被记忆改变命运的，是中大型的开源模型，它们离"无记忆基线"更近，记对了笔记就能明显抬一把。这给选型一个现实提示：如果你用的是顶尖闭源模型，记法的影响相对小；如果你靠开源模型撑起业务，记法就是生死线。预算和记法，从来是同一笔账的两面。
把"拉低 7.4 分"换个说法你可能更有体感。在 AppWorld 这种基准上，任务级加代码的智能体，成功率从二十多分掉到个位数甚至归零，相当于十次任务里白干三四次还多。对一个要替你处理真实业务的智能体，这种退化不是"略差"，是"可能把事办砸"。所以记法不是一个锦上添花的优化项，而是一个会直接决定它靠不靠谱的安全项。下次看到"已支持记忆"这个功能标签，别默认它是加分，先问它记成什么样。
论文还做了一个交叉验证，把结论钉得更死：它把子任务级的笔记喂给任务级智能体，结果那个更笨的 agent 平均涨了 9.9 分，AppWorld 上最高涨 17.2 分。也就是说，同一个智能体，仅仅因为翻对的笔记，就从"被拖垮"变成"被托起"。这个实验干净地切断了"是不是智能体本身更强"的质疑，把功劳 100% 归因到笔记。读论文时，这种"主动替质疑者设计反例"的实验，比作者自己的漂亮结论更值得信任。
到这里，第一章提出的"反常识"已经有了结实的底。你可能想问：那我具体该怎么改我的系统？别急，第八章会给你三条能直接照做的改法。但在这之前，第五章会先把第二个旋钮（文本还是代码）的结果也摆出来，因为两个旋钮要合在一起看，结论才是完整的。记住，子任务级加文本，才是这篇论文给出的那个"最稳组合"。
这一章的数字，建议你在脑子里留一张小表：任务级三档是 22.1 / 20.9 / 18.0，子任务级三档是 24.8 / 26.7 / 25.3。这组数字，比任何形容词都更能说明"记法决定命运"。下次有人跟你吹"我们的 AI 有记忆"，你就把这组数甩过去，问他的记忆是任务级还是子任务级。
第五章 人话比代码更好使
第二个旋钮是技能格式：同一条技能，写成自然语言笔记，还是写成 Python 函数？这一章的结论，对很多工程师来说不太舒服。
直觉会站在代码这边。代码能直接跑，智能体还能按名字调用函数，看起来既精确又可执行，不会因为"理解偏差"而跑偏。工程圈里大部分把经验写成代码的系统，都是被这个直觉带着走的。Voyager、AWM、TroVE 全是把技能写成代码。文本笔记听着就软，像人在便签上随手画的流程图，谁会指望它压过代码？
论文把格式这个变量单独拧出来比，结论又是一记耳光：在两个归纳层级上，文本技能都赢了代码技能。 平均到所有模型，子任务级下文本比代码高 2.9 分，任务级下高 1.4 分。相对各自的"无记忆基线"看更清楚：在任务级里，文本笔记只把智能体拉低 1.2 分，代码却拉低 4.1 分；在子任务级里，文本帮了 1.9 分，代码只帮了 0.5 分。差距不算爆炸，但方向稳得反常，跨基准、跨模型、跨两个层级，全都一边倒。
这里有个特别拧巴的地方，值得停下来想。论文另外测了"笔记被检索命中的概率"，也就是新任务来的时候，这条笔记能不能被正确地翻出来。结果代码技能的命中率反而比文本高。也就是说，代码笔记"被找出来"更容易，可一旦进了上下文，"用起来"却更差。这个反差直接把"检索质量决定一切"的想当然给否了。
这说明了一件事：迁移好不好，根本不取决于检索准不准。一条被精准翻出来的代码笔记，照样能把智能体带沟里。问题出在进上下文之后，模型怎么理解这条笔记、怎么被它干扰，而不是它有没有被找到。这其实和很多 RAG（检索增强生成）系统的翻车经验一脉相承：找对了文档，模型也可能用错。检索只是第一关，笔记进了上下文之后会不会被恰当理解、会不会喧宾夺主，才是决定成败的暗门。
为什么文本反而更扛用？论文给的解释和后面要讲的"技能效用分数"连在一起。文本的抽象程度更高，它丢掉了一个任务里的具体词藻，只留下可复用的套路。比如 KramaBench 上，将近一半的任务级文本笔记之所以"自己都检索不到"，是因为它的描述保留了可复用的数据处理模式，却扔掉了题目里的具体主题词。恰恰是这种抽象，让它能跨任务迁移。代码则相反，它把这次任务的具体数值焊死在函数参数里，下次换个场景，函数还在，适用性却窄了。一个为"举重长凳、预算 200 刀"写死的函数，碰到"瑜伽垫、预算 50 刀"时，复用价值远不如一句"按预算筛选商品"。
还有一个容易被忽略的点：代码笔记进了上下文，模型往往倾向于"照函数执行"，于是被具体实现绑死；文本笔记更像"提示"，模型会把它当成灵活性更高的参考，反而更容易泛化到新任务。这也解释了为什么代码检索命中高却用得差，模型找到了它，却被它的具体形态带着走。
这一章的结论对工程师特别扎心：你花力气把技能写成能跑的代码，可能不如写一段大白话。当然，这不是说代码一无是处，论文测的是"跨任务迁移"这个场景，在"这条技能要被反复当程序执行"的场合，代码仍有它的位置。但在"让 AI 从过去经验里学"这件具体的事上，人话暂时赢了。两个旋钮都拨完了，子任务级加文本，是目前最稳的组合。可这背后的道理到底是什么？为什么有些笔记天生好用，有些天生坑人？下一章，论文给出了一个能提前打分的尺子。
给工程师的一个实用判断：当你在文本和代码之间犹豫时，先问自己"这条技能要复用的任务，彼此差异有多大"。如果场景高度同质、参数就那么几个，代码更省事；如果任务千差万别、只有底层套路相通，老老实实写文本。这条经验法则，论文没有直接写成口号，但数据里已经写得很明白。
论文还做了一个挺有意思的辅助实验来排除干扰：他们让 Gemini-3.1-Pro 当裁判，从各种条件下各抽 50 条笔记，判断每条是否和源任务相关。结果四个条件的"相关率"都接近百分之百：任务级文本 100%、任务级代码 100%、子任务级文本 98%、子任务级代码 100%。这说明，两层级、两格式的笔记，几乎都"贴着自己的源任务"。那么差异就不是"谁的笔记更相关"，而是"谁的笔记更能跨任务复用"。这个干净的控制实验，再次把功劳锁定在记法本身，而不是笔记质量的高低。
对代码优先那一派，这一章的结论可能有点难咽。毕竟把技能写成可执行函数，是 Voyager 以来最性感的做法，也是很多 Agent 框架的默认。但数据不站队审美。一个务实的折中开始出现：用文本写"怎么想"，用代码写"怎么干"，而且只在确实要被当程序反复跑的那类技能上用代码。把"代码技能"从默认项降级为"特定场景选项"，是这篇论文给工程界最值钱的一记提醒。
这一章还藏着一个值得玩味的悖论。代码笔记"检索命中率更高"却"用得更差"，表面看矛盾，实则指向同一个根因：代码把这次任务的具体样子写得太实，相似度自然高（因为它确实和源任务像），可也正是这份"实"，让它换了个场景就失效。文本笔记相反，它主动把具体样子磨掉，检索时没那么显眼，却因此在别处更通用。这提醒我们，在记忆系统里，"容易被找到"和"被找到后有价值"是两件事，甚至常常反向。评价一条笔记，得看它翻出来之后发生了什么，而不是它被翻出来的概率。
对做 RAG（检索增强生成）的人，这一章其实是一堂免费的课。RAG 系统也面临一模一样的处境：往上下文里塞检索到的文档，塞对了加分，塞错了减分。很多团队一味追求"召回率""命中率"，却很少测"塞进去之后模型用对没"。这篇论文用智能体记忆证明了：检索质量和最终效果可以脱钩。把它翻译成 RAG 的语境就是，比起狂堆召回，你更该关心"被召回的文档进了上下文后，有没有被恰当使用、有没有喧宾夺主"。评估记忆或检索系统，终点应该是任务成功率，不是中间环节的漂亮指标。
这一章可以收尾了。它给工程界的提醒，其实一句话就能装下：把"技能写成代码"从信仰降级为选项。很多框架把代码技能写死在架构里，不是因为数据支持，而是因为"能执行"太诱人。这篇论文用六个条件、上千次实验，把这份诱惑拆穿了。下次你再想把技能写成函数，先问自己一句：它是不是真的要在多个不同任务里被当程序跑？如果不是，写人话。
把这一章和上一章合起来看，两个旋钮的最优档位就清楚了：归纳层级拨到子任务级，技能格式拨到文本。这不是两个独立的小技巧，而是一个组合拳。论文的数据表明，两者叠加时的增益，比各自单独赢的程度更稳。所以别只改一样，两样一起改，才算拿到这篇论文给的完整红利。
第六章 什么样的笔记才算好笔记
前面两章讲了"哪种记法赢"，这一章要回答"为什么"。论文没停在现象，它给了把尺子，能提前量出一条笔记到时候有没有用，不用真的去跑任务。
这把尺子叫"技能效用分数"（skill utility score）。它的核心想法是：一条能复用的好笔记，必须同时满足两件事，缺一不可。
第一件叫贴合度（specificity）。笔记得足够贴近真实任务，不能是飘在半空、跟谁都不挨着的废话。论文用一个巧妙的办法量化它：比较这条笔记和"它最像的那个任务"之间的相似度，跟"两个随机任务彼此之间的相似度"比大小。如果一条笔记比绝大多数任务对都更靠近某个真实任务，它的贴合度就接近一；如果它离所有任务都远，贴合度就掉到零附近。一句话，贴合度惩罚那种"哪里都沾一点、其实哪个都用不上"的虚笔记。
第二件叫通用度（abstractness）。笔记的相关性得摊开在许多任务上，而不是死守着少数几个。如果一个笔记只跟两三个任务沾边，剩下全不沾，那它的通用度就低；如果它在很多任务上都适度相关，通用度就高。论文用一个基于熵的算法来量化：把笔记和各个任务的相似度铺成一条分布，分布越平、覆盖越广，通用度越高，接近一；如果只钉死在少数任务上，通用度就塌到接近一除以任务总数。
为了让你有体感，我编个简化的例子。假设一个智能体攒了三条笔记。笔记 A 只贴合"电商下单"这一个任务，跟其他九十九个任务都不沾边，那它的贴合度可能很高，但通用度极低，效用分数被通用度拉垮。笔记 B 跟所有一百个任务都有一点点相似，但哪个都不够近，通用度很高，贴合度却低，分数同样起不来。笔记 C 既靠近"电商下单""订酒店""买机票"这一小族任务，又在这一族里分布均匀，两个维度都 decent，乘积才高。好笔记长这样：不是通吃，也不是独守，而是在一个合理的"任务族"里站得稳。
关键来了：这两个性质，单独拿哪一个都不能预言成败。论文把任务按"检索到的笔记平均效用"分箱，效用越高，成功率越高，任务级从 14.0% 爬到 24.5%，子任务级从 22.8% 爬到 31.0%，单调往上走，干净利落。可一旦单独看贴合度或者通用度，成功率都是"先升后降"的弧线。原因就是这个乘积结构：偏科哪一边，分数都塌。
这就解释了前面的所有现象。子任务级笔记和文本笔记，其中位效用在几乎所有基准和格式上都更高。它们赢，不是赢在"记了更多"，而是赢在"记对了"，既贴得住任务，又摊得开去。任务级笔记和代码笔记，往往一个是太专（被具体商品焊死）、一个是太僵（数值写死），效用分数自然低。
最妙的是这把尺子的用法。它只需要两样东西：笔记自己的描述，和任务的描述。不要求你真的去跑任何一个任务。也就是说，你在把一条笔记放进智能体的记忆之前，就能先用这个分数给它做个体检，筛掉那些看起来热闹、到时候会帮倒忙的笔记。对要长期运行、记忆会越攒越多的智能体来说，这等于装了个闸，不用等真出事再查日志。
论文还顺手做了个因果验证，把戏做足。他们把技能库按效用中位数劈成两半，让同一个智能体在同样的题目上，分别只用高效用那半边和低效用那半边。结果高效用半边在同题上确实更高：任务级 44.0 对 42.9，子任务级 48.4 对 47.0。尺子不是事后解释，是真能提前挑出赢家的。讲到这，规律就清楚了：AI 的经验不是记越多越好，是记对了才好。而"记对"的密码，藏在贴合度和通用度的平衡里。下一章还有一个更反直觉的发现等着：那些最管用的笔记，很多其实来自失败的尝试。
顺带说一句，这个"平衡"的思想不止适用于 AI。人写工作总结也是一样：太具体（只记这一次怎么做的）下次用不上，太笼统（"以后要努力"）等于没记。好总结卡在中间，记的是能跨场景复用的那层套路。论文用一串公式把这件我们凭直觉知道的事量化了，这是它最聪明的地方。
再补一个公式背后的直觉，免得你被"熵""温度"这些词吓退。通用度的计算，其实是在问：如果把这条笔记对各个任务的相似度当成一个概率分布，它是均匀铺开（到处都中等相关），还是尖峰只戳在少数任务上（只跟几个死磕）？用熵来量这个"平还是尖"，再归一化，就得到 0 到 1 之间的通用度。所以它没有黑魔法，就是"相关性分布的形状"的数学表达。理解了这点，你就能自己调这个公式，比如换成适合你任务的相似度口径，而不必照搬论文的超参数。
把这套尺子装进你的系统，其实不难落地。你不需要自己训任何模型，拿一个现成的句向量模型（论文用的是 all-MiniLM-L6-v2，几百兆，跑起来很快）把每条笔记的描述和每个任务的描述都嵌成向量，套进贴合度和通用度的公式，乘一下，就得到效用分数。这一步完全在记忆入库前离线做，不拖慢智能体干活。对小团队来说，这是性价比极高的一处工程改造，值得第一时间抄走。
举一个低效用笔记的具体长相，帮你建立直觉。假设你的智能体常在"电商下单"任务上记笔记，一条低效用笔记写着"本次在亚马逊用满减券下了举重长凳订单，遇到支付报错重试了三次"。它贴合度可能不低（确实贴近电商下单），但通用度极低（只跟这一个具体场景相关），乘积塌了。一条高效用笔记写着"下单前先比价、确认预算、再走企业支付通道，遇到支付报错按订单号重试"。它贴住"电商下单"这一小族任务，又在这一族里均匀分布，两个维度都 decent，乘积才高。你翻库时，该留哪条，效用分数替你说了算。
回到那张分箱曲线，它还有一层令人安心的地方：成功率随效用"单调"上升。单调意味着没有例外、没有倒挂，分数高的档位一定不比分数低的差。在 AI 实验里，能拿到这种干净单调关系的结论不多，多数都是起伏不定。这篇论文的效用分数之所以可信，正是因为它在两种层级上都复现了这条单调线，而不是只在某一组里灵光。一个指标如果在 A 情形灵、在 B 情形翻车，它就不是指标，是巧合。单调性，是论文给这个尺子发的合格证书。
论文的 E.4 节还做了一件更硬的事：因果干预。它没停留在"分数高的笔记恰好用得更好"这种相关性，而是把技能库按效用中位数劈成两半，强制智能体只用其中一半，在相同题目上重跑。结果高效用那半边确实更高（任务级 44.0 对 42.9，子任务级 48.4 对 47.0）。因为两半只差"收到哪些笔记"，其他全一样，所以这个差距只能归因到效用分数本身。从"相关"走到"因果"，是这篇论文方法上最扎实的一笔，也是它敢建议你"入库前就拿它筛"的底气所在。
这一章其实把全篇的"为什么"讲完了。前面四章是现象（什么赢什么输），这两章是机理（为什么赢为什么输）。机理一旦讲清，剩下的就只是"怎么落地"。下一章会用那个最反直觉的发现（失败经验也有用）再补一刀，然后第八章直接给你操作清单。所以如果你只读一章，读第六章，它把"记对了"这件事量化成了可以执行的公式。
第七章 失败的经验也有用
这一章要拆一个很多人没想到的点。我们默认，智能体该从"做成了的事"里学。做成的事才有价值，没做成的是教训，顶多记个"别再犯"。可论文的数据把这套常识又撬松了。
他们查了每一笔记来的那个源任务，到底做没做成。结果很意外：在所有归纳出来的技能里，来自"没做成"的任务的比例，任务级文本是 74.7%，任务级代码 83.0%，子任务级文本 75.1%，子任务级代码 75.8%。换句话说，四分之三以上的笔记，是从失败或半失败的任务里提炼出来的。 这个比例高得有点反直觉，因为我们通常假设经验系统主要在"成功案例"上积累，失败顶多当负面样本。
那任务级技能那么差，是不是因为它特别喜欢记失败？不是。上面四个数字挨得很近，两种归纳层级从成败任务里取材的比例差不多。也就是说，任务级和子任务级记的"失败经验"一样多，可结局天差地别：子任务级用着失败经验依然有效，任务级用什么都救不回来。差异不在"记了什么结果"，在"怎么拆着记"。
这就把"失败经验有害"这个锅给卸了。真正起作用的，是子任务级那种拆法，把任务切成小步，每步写一条只管一件事的短笔记。哪怕这一步当初没做成，它总结出的"这一步大概该怎么走、坑在哪"，对别的任务照样有参考价值。一条讲"怎么筛选购物车商品"的笔记，不管当初筛选成没成功，它的套路都能借给下一次采购。失败的教训被切小了之后，反而更容易变成可迁移的"零件"。这就好比一份做砸了的项目的复盘，如果只写"项目整体失败"，毫无价值；但如果拆成"需求评审这一步踩了什么坑""上线那步少了什么检查"，每一小步的教训都能借到别的项目里去。
反过来看，任务级那条长笔记之所以烂，不是因为它记了失败，而是因为它把整段经历焊成了一个又长又专的块，具体细节钉死，通用度被压扁，效用分数自然低。失败只是让它更乱，不是乱的根因。所以"只让 AI 记成功"这个执念，从这篇论文看，是错的，至少对跨任务迁移这件事是错的。
论文还报了另一个佐证：转移密度。他们把每个基准的任务流切成 50 段，看"前面段里产生的笔记，在后面段里被真正翻出来用过"的比例。子任务级智能体在三个基准上的转移密度都高于任务级。拆细了记的笔记，不仅单条更好用，还被翻来覆去用得更勤。经验真正转起来了，而不是堆在库里吃灰。这个现象背后有个直观的解释：短笔记粒度细，和新任务的子步骤更容易对齐，所以被命中的机会多；长笔记粒度粗，要么整体不沾边，要么整体都沾边但用不上。
这个结果对系统设计有个很实在的启示。与其花力气去判断"这次成没成"再决定记不记，不如老老实实把每一步拆开记。成败都记，反正短笔记自己会筛选出能复用的部分，而长笔记不管成败都容易变成包袱。把"要不要记"的门槛从"成不成功"换成"拆得够不够细"，系统的表现反而更稳。这跟我们平时带新人也有点像：把大项目拆成小步骤复盘，比写一份浮夸的"项目总结"有用得多。
这也顺手回答了一个工程上的焦虑：如果经验系统会记失败，会不会把坏习惯也学进去？论文的答案是，只要拆得够细、写得够泛，失败里的"这一步怎么走"依然是好零件，真正有害的是把整段失败焊成一条又长又专的笔记。所以问题不在失败本身，在记法。这给"要不要用失败当训练数据"的争论提供了一个干净的切入点。
下一章，我把这些发现收拢成三条能直接照做的忠告，也老实说说这篇论文的边界在哪，免得被捧过头。
再补一个容易被忽略的对照。论文的 E.3 节特意说明：智能体的归纳并没有"只在成功时才记"的门槛，两种归纳层级对任何结果都会记。于是有人会猜，是不是任务级恰好多记了失败、所以才差？数据否定了：两个层级从成败任务取材的比例几乎一样（都在 75% 到 83% 之间）。所以"任务级更差"不能甩锅给"它记了更多失败"，只能回到记法本身，也就是"整段焊死 vs 拆细泛化"的差异。这种把每个可能的替罪羊都堵死的写法，是这篇论文让人信服的另一个原因。
顺着这个发现，还能想到更远的一层：如果"失败经验也有用"，那"终身学习"型的智能体就不必害怕走弯路。现实里很多系统为了安全，干脆只在成功时才更新记忆，相当于主动扔掉了四分之三的素材。这篇论文暗示，与其这样，不如把失败也记进来，但记得细、记得泛。这对做长期自主智能体（比如要在真实环境里连跑几个月的那种）是个好消息：它们必然会经历大量失败，只要记法对，失败不是负债，是燃料。
说回那个 75% 到 83% 的数字。它初看只是个 footnote，细想却挺颠覆：我们习惯把"成功案例"当金矿、"失败案例"当垃圾，可这篇论文告诉我们，在跨任务迁移这件事上，金矿和垃圾的比例，对好记法和坏记法来说几乎一样。决定成败的不是你从成功还是失败里学，而是你有没有把经历拆细、写泛。这相当于把"要不要记失败"这个纠结整个消解了：别纠结，都记，把拆细这一步做对就行。对数据标注和训练样本筛选也有启发，少花力气去筛"好的例子"，多花力气去改"记法"。
论文在转移密度之外，还给了这个现象一个更直白的名字：子任务级笔记"被复用得更密"。你可以理解为，短笔记粒度细，像乐高小积木，新任务随便哪个子步骤都能拼上；长笔记粒度粗，像一整块雕好的大件，要么整体合适，要么整体用不上。这个乐高比喻，大概是整篇论文最该被产品经理念懂的一句。它解释了为什么"记细"不只是"记多"，而是"记得能拼"。很多知识库做不起来，不是内容少，是内容粒度不对，全是整块，拼不进新场景。
这一章想给普通读者也递一句话：别把"记了多少"当成绩。我们从小被教育"好记性不如烂笔头"，于是觉得记得多总归是好的。这篇论文给了一记清醒剂：在智能体这儿，记错方式比记不记更要命，对人可能也成立。你复盘时写的那些宏大的"项目总结"，和智能体的任务级长笔记，是同一种病。下次复盘，试着拆成"哪一步踩了坑、哪一步可以复用"，而不是写一份给所有人看的漂亮汇报。
把这一章和前面的"子任务级赢"连起来，会得到一个有点反叛的结论：我们以为经验系统要精挑细选、只留精华，这篇论文却说，与其费劲挑，不如把记法改对，然后成败都收。这对"数据洁癖"是一种解放。当然，它解放的是"跨任务迁移"这个场景，别顺手推广到所有场景。但至少在那个场景里，"多记"的边际成本很低，而"记对了"的边际收益很高，这笔账怎么算都该先改记法。
第八章 给做智能体的人三条忠告
讲了六章的实验和数字，该落到地上。如果你正在搭一个会"从经验里学"的智能体，这篇论文能直接给你三条改法，而且都不贵。我把每条都配上"为什么有效"和"别踩的坑"。
忠告一：先把任务拆成子任务，再各记一条笔记。
这是全文最稳、最便宜的结论。子任务级归纳在 11 个模型、三个基准上几乎一致地压过任务级，而且它不需要你换模型、不需要加算力，只要在"怎么写笔记"这一步改个写法。把整段轨迹揉成一条长笔记，等于主动造一个又专又僵的包袱；切成小步各记一条，每条自然更通用。如果你的技能系统现在还是任务级，先动这一刀，回报最大。要注意的是，拆得太碎也会带来检索和上下文的负担，论文里子任务上限设在 15 步、每步共享 50 步的执行预算，这个量级是他们的经验值，你调到适合自己任务的大小即可。拆的粒度，本质是"让每条笔记对应一个能跨任务复用的子能力"，而不是越细越好。
忠告二：技能正文优先用自然语言笔记，别迷信代码。
工程界爱把技能写成 Python 函数，理由是能执行、能调用。但这篇论文在两个层级、三个基准上一致证明，文本笔记迁移得更好，尽管代码的检索命中率反而更高。除非你有强理由，比如这条技能真的要被反复当程序跑、且场景固定，否则先写人话。要补一句：这个结论针对的是"跨任务迁移"场景，别一刀切地把它当成"代码没用"。在一个封闭、高度重复的环境里，代码技能仍有价值。判断标准是：这条技能要在多少个不同任务里复用？复用面越广，越该用文本。
忠告三：上线前用技能效用分数给记忆体检。
这是论文最实用的副产品。效用分数只依赖笔记描述和任务描述，不要求你跑任何任务，却能在事前筛出那些"到时候会帮倒忙"的笔记。把记忆库按这个分数排个序，低分的先拦下，比等真出了事再查日志省事得多。对要长期运行、记忆会越攒越多的智能体来说，这等于装了个闸。实现上不难，用现成的句向量模型把描述和任务都嵌成向量，套进论文给的贴合度和通用度公式即可，几个公式都是闭式计算，不用训练。
说完能做的，也得说清楚这篇论文的边界，免得被捧过头。
第一，它只在三类基准上验证：多 App 工具使用、办公文档流、数据科学管线。像"操控电脑图形界面""写代码""联网搜索"这类环境，行为可能不一样，论文自己也说要另做实验，而且那些环境要 Docker 和 root 权限，门槛不低。所以别把结论当成放之四海皆准的定律，新环境里最好自己复测一遍。
第二，它的技能记忆用的是固定的归纳、检索、去重规则，不会边跑边改自己存的笔记。现实里有些系统允许智能体回头修订记忆，那种会演化的记忆会不会改变结论，是另一个问题。固定的规则有个好处，就是六个条件之间完全可比，但它也意味着结论暂时只覆盖"静态记忆"这一支。
第三，它按任务的最终状态打分，没有逐步的真值，所以没法细看到底是中间哪一步决策被笔记影响了。更细的诊断留给以后。换句话说，我们知道笔记"总体上帮了或坑了"，但还不清楚"具体是哪一脚被带偏"。
最后提一个论文自己点出来的安全钩子。能迁移好技能，也就能迁移坏技能。如果有人往技能库里塞一条带毒的笔记，智能体完全可能通过同一套复用机制被带偏。本文的实验里所有笔记都是智能体自己在沙箱里生成的，没有真实用户数据，所以没触发这个风险。但"怎么判断该信哪条记忆"这件事，论文明说留给了未来工作。这恰好和我们前阵子聊的智能体记忆安全、可审计那一脉接上了，经验复用跑得越快，越得有人盯着记忆本身干不干净。记法决定命运，而记忆的干净程度，决定你能不能放心让它记。
如果你想要一张最小可行清单，就这三行：第一，任务进系统先拆子任务；第二，技能正文默认写自然语言；第三，记忆入库前跑一遍效用分数。做完这三件事，你大概率已经跑赢了大部分"只接了个自动总结模块"的竞品。剩下的，是去你的真实场景里复测，别把论文结论当成免检标签。
最后，我得替论文把话说圆：它从没声称"子任务级加文本在所有智能体场景都赢"。它的结论是有边界的，建立在三类基准、静态记忆、最终状态打分这三个前提上。如果你做的是代码生成智能体或者电脑操控智能体，别直接套，先在小范围复测。科学结论的价值，从来不在于"永远对"，而在于"清楚地标出了自己在哪里对、在哪里还没验证"。这篇论文把边界画得很老实，这一点比它的具体数字更值得尊重。
也说三个"别"作为收尾的提醒。别把任务级当默认，除非你的任务本来就极短极同质。别把代码当默认，除非这条技能要被当程序反复执行。别在记忆入库前跳过体检，效用分数几乎零成本。反过来，也别走向另一个极端：以为拆得越碎越好。论文把子任务上限设在 15 步，不是拍脑袋，而是碎到一定程度，检索和上下文的开销会反噬。工程里几乎所有好事都有个甜区，记法这件事的甜区，就是"细到每条能跨任务复用，又不细到把一步拆成十步"。
最后说一句读者对象。这篇论文是给"造智能体的人"写的，但读懂它不需要你是算法专家。如果你是产品经理想确认记忆功能该不该上、该怎么上，第三章的两个旋钮就是你的 checklist；如果你是工程师准备落地，第八章的三条忠告加效用分数就是你的 starter；如果你是研究者，这篇的方法学示范（单变量对照、把替罪羊堵死）比结论本身更值得偷师。一篇好论文，就是不同角色都能从里面拿走不同的东西，这篇做到了。
把三条忠告压成一句话版，方便你截图带走：一，先拆后记，别整段揉；二，正文写人话，代码留给真要跑的程序；三，入库前用效用分数筛一遍。这三句话，是这篇 34 页论文能给你的最浓缩的遗产。剩下的细节，等你在自己系统里踩到坑时，再回来翻第六章的公式不迟。记住，论文的价值不在被读完，而在被用上。
写到这里，我有点替这篇论文担心：它的结论太好用，容易被简化成一句"用子任务级就完了"的口诀，然后被到处套。但研究者的本分，是画边界，不是发万能钥匙。这篇论文的边界画得很清楚（三类基准、静态记忆、最终状态评分），这份克制，恰恰是它能让人放心抄的底气。希望你在抄那三句话的时候，也把它的边界一起抄走。
这一章是全文最"动手"的一章，但请别把它读成一份操作手册就完了。三条忠告背后是一套价值观：先问有没有用，再问能不能用；把默认项拿上实验台；清楚地标出自己在哪里对、在哪里没验证。这三条，比任何具体数字都更经得起时间。技术结论会被新模型、新基准刷新，但这套做研究、做产品的态度，不会。
最后补一个实操提示：效用分数的计算虽然简单，但"任务描述"从哪来，需要你在自己的系统里定义清楚。论文用的是基准自带的官方任务指令，你的系统可能没有现成的"任务描述"，这时可以用规划器输出的子任务文本，或者让用户给的工单标题。只要有一句能代表"这次要干嘛"的话，就能算。别让"没有标准任务描述"成了你不动手的借口。
第九章 延伸阅读与结语
回到开头那个让人扫兴的实验。石溪大学的团队没发明新架构，他们做了一件更朴素的事：把"让 AI 记笔记"这件被喊成口号的事，拉到实验台上用数字量了一遍。量出来的结果不讨喜，记法不对，经验就是包袱；记法对了，经验才是资产。
我把全文收成一句话：AI 的"经验"不是记越多越好，是记法决定命运。拆细了记、写成大白话、上线前用效用分数筛一遍，这三步几乎不花钱，却能决定你的智能体是越用越聪明，还是越用越驼背。
这件事的意义不只在工程技巧。2026 年大家都在追逐"会自我进化的 AI"，仿佛只要喂够经验、攒够记忆，智能体就会自发变强。这篇论文泼的冷水很及时：经验复用不是魔法，它有一套可被测量、可被控制的规律。在被"AI 自己长本事"的故事冲昏头之前，先把"它记的笔记到底有没有用"这件事问清楚，比什么都重要。一个不会自我审查记忆的系统，攒得越多越危险，这跟人一样，脑子里塞满没消化好的旧经验，遇事反而更固执。
源势AI观点
我们最近连着聊了几篇关于智能体记忆的论文。一篇讲记忆能被偷偷改写，一本真台账挡住了百分之百的伪造攻击；一篇讲把长程会话重组成可审计的追踪图，让每条结论都指得回它的动作和证据。今天这篇换了个角度，它不关心记忆安不安全、查不查得清，它关心记忆有没有用。三条线其实指向同一个真相：智能体的记忆，是这个时代最被高估、也最该被认真 engineering 的系统组件。
别把它当黑箱，也别把它当魔法。把它当成一个需要设计、需要体检、需要审计的零件。这篇论文给的效用分数，是第一个不跑任务就能用的体检表，值得每个做记忆系统的人抄进自己的工具箱。我的判断是，接下来一年，围绕"记忆质量"而不是"记忆容量"的研究会越来越多，因为大家终于发现，往库里灌一万个笔记，不如让其中一千个真的管用。容量焦虑是上个阶段的事，质量焦虑才是接下来的主战场。
延伸阅读
- 本文原论文：Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents（arXiv: 2608.20274，2026-08-20，代码已开源：github.com/Zesearch/skill-transfer-llm-agents）
- Voyager（Wang et al., 2024）：在游戏里把学到的技能写成代码函数，是"代码技能"路线的代表，也是本文重点对比的对象之一。
- Reflexion（Shinn et al., 2023）：让智能体反思自己的失败并写进记忆，任务级文本记忆的早期探索。
- ExpeL（Zhao et al., 2024）：从任务中提炼可复用的经验，任务级文本记忆。
- AWM（Wang et al., 2025）：在网站操作任务上把技能写成代码并跨站点复用。
- 安全与审计线：智能体记忆防伪造攻击、LEDGER 声明到证据的追踪图，均为本号前作，可与本文对照阅读。
如果你在做智能体经验系统，先去把任务拆细这一步改了，再回头看分数变没变。大概率，你会回来谢这篇论文。也欢迎把你的迁移数字发给我们，看看子任务级加文本这个结论，在你的场景里能不能复现。记忆这件事，从今天起，请少问"记了多少"，多问"记对了没有"。
最后补一句给非技术的读者：这篇论文的启示其实超出了 AI。我们每个人都背着一个"经验记忆"，从项目的成败、与人相处的得失里攒笔记。它提醒我们，记法比记量重要，把大事拆成小步骤去复盘，比写一份宏大的总结有用；把失败拆细了看，比把整段失败当成"我不行"的标签有用。AI 在教我们怎么记，也在照见我们自己怎么记。
写这篇文章的过程中，我反复想到的另一个画面是：我们给 AI 装记忆，像极了公司里搞"知识库""复盘文档"的那套动作。多少团队的复盘文档，写完就再没人翻，因为它写得太整、太专、太像给领导看的总结。这篇论文用实验告诉了我们一个朴素道理：知识的价值不在它被记下来，而在它能被下一次用上。无论对 AI，还是对人，这都是一句值得贴在显示器上的话。
这篇文章就到这里。如果只让你带走一句话，我希望是：下次你给任何系统（AI 的，或你团队的）开"记忆"的时候，先别急着问"记不记"，先问"怎么记、记多细、记成什么样"。记法，才是命运的分野。
论文信息：Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents，arXiv:2608.20274，2026 年 8 月 20 日提交，石溪大学等机构。代码与全部技能库已开源（MIT 协议）。本文所有数字均出自该论文的表 2、表 4 及附录 E，未做任何改动。如果你复测后有不同发现，欢迎来辩，科学本来就该这样。
（全文完。下一篇，我们打算顺着这条线，聊"记忆被投毒"那一边的攻防，也就是怎么判断一条被复用的记忆到底该不该信。如果你对哪个环节还有疑问，或者想看某张图的原始数据，留言告诉我们。）
如果你把这篇读到了这里，说明你真的在意"AI 怎么记"这件事。这比追逐任何一个新模型都更接近问题的核心。智能体的未来，不取决于它有多能聊，而取决于它记的东西到底有没有用、干不干净。这篇 34 页的论文，替我们朝着那个未来，钉下了一颗小小的、但很结实的桩。
文末延伸
- 原论文：Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents（arXiv:2608.20274，2026-08-20，MIT 开源代码与技能库）
- 想复现？论文把全部 11 个模型、3 套基准、6 种记法条件下的实验脚本都放了出来，换你自己的任务和模型跑一遍，就知道结论在你场景里成不成立。
- 下一篇预告：智能体记忆被“投毒”怎么办？怎么判断一条被复用的记忆到底该不该信。
