长对话别整段重读，记忆要单独管
未来半年到一年，长对话和长文档应用在质量差不多时，会少花「整段历史重读」的钱，把预算挪到外部记忆管理。
为什么这样判断
历史持续累积时，每轮重新处理全部对话、文档或画面，会使重复推理消耗随交互时长扩大，买方承担的成本超过当轮新增信息本身。把稳定事实、人物属性或场景状态存入可更新的外部记忆，再按当前任务检索，可以把重复读取转化为写入、索引维护与少量读取。若在质量持平下，全链路成本随历史增长的斜率下降，应用方就有动机把增量预算移向记忆管理，并按检索准确率、状态新鲜度与任务完成率验收。漏检、过时状态及重复编码会增加失败补救成本，因此收费空间取决于相对简单缓存和长上下文方案的净节省，而非可存储的历史长度。
另一种解释
W05 的 Random Attention 报告，保留提示缓存后随机淘汰其余缓存，精细淘汰的额外收益有限（作者自报），提示简单缓存可能吸收一部分优化价值，但该实验只涉及推理缓存，尚非跨会话记忆的直接对照。W08 的 WorldCrafter 在复杂或超长轨迹仍会失稳，逐片段重新编码还增加延迟（作者自报），直接削弱外置状态能持续降本的前提。W04 的 VoiceMem 所报 134 毫秒只是检索耗时，且未披露真实部署效果（作者自报），现有数据仍没有应用买方增加记忆预算的直接证据。
公开证据预览
这里只展示访客可读的两条预览，保留支持、补充与反驳的区别。预览不是完整证据清单。
- · 补充：AgentGarten 以代码管理世界状态、神经渲染生成外观，环境可版本化重放（作者自报）。
- · 补充：EngramEdit 只编辑条件记忆即可更新模型事实，无需修改主干参数（作者自报）。
公开预览中出现的公司
沿着这些公司的实践继续阅读；这不是完整的论点成员清单。