Hippocam 如何为 LLM 智能体整合意图结构化的经验？

记忆就是被维护的上下文，而非独立记忆库

Hippocam 的核心设计选择是：智能体不建立与交互历史分离的记忆库，上下文和消息本身就是记忆。智能体通过刻意维护这份上下文来记忆和学习：它把工作组织成嵌套意图，当一个意图关闭时，就用该意图产生的结果和状态的整合记录替换原来的工作消息。

这一点之所以重要，是因为它去掉了读者可能预期存在的若干组件。论文指出，Hippocam 没有独立的记忆库，也没有打分或衰减规则。整合记录的层级结构来自智能体如何组织和整合自己正在进行的工作。作者对比的对象包括 MemTree 这类按语义相似度把记忆组织成演化树的系统；而在 Hippocam 中，这棵树来自工作本身的结构。

嵌套意图让活跃上下文保持聚焦

意图是驱动一段事件序列的目的。Hippocam 把意图组织成层级：底层是基础目的，其下是各项从属要求，最深层是最直接的当前焦点。当工作出现更直接的目的时，智能体就开启一个新意图。活跃上下文始终围绕当前意图，而不是把此前所有工作的完整细节都带在上下文中。

论文的意图维护流程给出了具体操作规则。智能体从最顶层意图向下逐层检查，确认每个完成条件是否被完整满足。它只能依据已交付的结果关闭意图，不能依据声称的意图关闭；父意图在子意图仍开启时不能关闭。当一个子目的关闭时，同一层级可以由后继目的接替；当接下来的工作是带有自身成败判断的子阶段时，应将其作为子意图跟踪，而不是当作“继续”。非法的栈操作会被拒绝并要求修正。

整合步骤以意图为条件。当一个意图关闭时，整合过程接收关闭的片段及其所属的意图链，产出一段自包含的第一人称记忆。它被要求保留：对来源的印象、确立事实的状态变更、智能体明确陈述的结论、逐字保留并标注来源的支持性证据、尚未使用的证据，以及有信息量的失败。它被要求不得用摘要或标题替代内容，不得写入事实是如何被发现的，也不得推断超出智能体已分析的内容。

递归前缀整合让旧经验逐步抽象

关闭意图处理的是近期工作。第二个机制处理不断增长的过去：递归前缀整合反复整合更早的历史片段，并用整合后的消息替换它们。由于整合后的消息之后还能与新累积的消息一起再次被整合，越早的经验就变得越抽象。

这里的抽象并不意味着丢失，因为原始交互保留在整合表示之下。历史被组织成一棵树，当后续工作需要更细的证据时，智能体沿这棵树有选择地下探，逐层恢复细节，直到信息足够继续工作。这是论文对“既要聚焦、高信号的近期上下文，又要能取回很久以前的具体信息”这一矛盾的回应：智能体始终保留抽象层，只在任务需要时才为细节付出代价。

被回忆的经验会再次整合，而不只是被读取

作者称为“用与不用”的动态，是把存储变成学习的关键。当过去的经验被回忆并重新融入当前工作时，它会与新经验一起经历后续整合。在这一过程中，它可以被强化、补充和更新。相反，一直未被使用的经验会作为更早前缀的一部分被反复整合，变得越来越抽象。

论文由此把工作上下文、长期记忆、知识积累和技能学习连接进同一个持续演化的过程。作者把 Hippocam 与两类工作区分开：一类依据任务反馈更新推理记忆或行动手册，另一类通过更新模型参数来学习。Hippocam 的主张是：知识通过工作与反馈发展，而不只靠整合；智能体可以依靠自身经验学习和演化能力，无需更新参数。

学习、迁移与记忆三类基准上的表现

主要对比以 DeepSeek-V4.1-Flash 作为任务主干模型，性能以百分比报告。Hippocam 在 ALFWorld 上得 87.3，在 StreamBench 总体得 81.7，在 HiAgent 多跳指标上得 85.8。所列对比方法在这三项上均落后：Letta 在 ALFWorld 上为 86.0，ACE 在 ALFWorld 上为 81.3、在 StreamBench 总体上为 75.0，Letta 在 HiAgent 多跳上为 84.5。

各基准之间的差距并不均匀，这一点本身有信息量。在 StreamBench 的 frozen-science 流上，Hippocam 的 81.9 低于 ACE 的 91.9 和 Letta 的 87.2。在 GoodAI 交错模式指标上，Hippocam 的 88.7 为所列最高，而若干对比方法报告 0.0 或个位数。论文自己把这些评测归入学习、迁移和记忆三类，数字显示 Hippocam 的优势在需要把经验跨任务延续下去的场景最大，而不是在每一列上都一致领先。

经验累积对比是如何测量的

ALFWorld 评测使用互不相同的源回合，每回合限 30 个动作，目标成功率按唯一任务统计，且前置记忆包含重复任务的经验。ScienceWorld 报告平均目标进度，负的环境分数被截断为零，百分比在聚合前归一化到 [0,1]；源变体与目标变体在所评测的任务类型内配对，限 50 个动作，所有报告分数中源回合与目标回合都保持分离。

StreamBench 结果对两条流的准确率等权平均，取每条流前 150 个任务，任务流在任务之间保留记忆。论文还把每条流中任务 150 时得分最高的三种方法延伸到任务 300。这些细节对读表很重要：这些分数不是各任务独立的准确率，而是衡量在一条流内经验不断累积时性能能维持到什么程度。

迁移结果取决于比较的是什么

跨域评测需要仔细阅读。在顺序式 ScienceWorld 对比中，目标标识符在“源初始化”条件与“空记忆”条件之间配对，限 30 个动作，源记忆包含来自 ALFWorld 源回合和目标回合的经验。在 HotpotQA→FEVER 迁移中，经验从源问题迁移到目标论断，任务限七步。两种条件都会跨任务累积目标域经验，因此它们之间的差异是两条学习流之间的对比，而不是在独立任务上衡量仅来自源域的知识。

frozen-source 评测是另一种设计：每个目标任务开始前都恢复同一份源快照并清空任务工作区，因此推理和记忆可以在当前任务内变化，但不能带到下一个目标任务。plain 条件不附加额外机制、独立评测目标任务，作为 frozen 评测的参照。评测成本包括目标任务的调用和任务内的记忆操作，但不包括获取源经验。论文还报告了一项评分敏感性：在另一种答案抽取方式下，Hippocam 在顺序 FEVER 上的提升从六个百分点降到两个百分点，而主表保留原始评分。

Hippocam 的优势最值得信任之处

对这篇论文最有决策价值的读法，是按评测类型拆分，而不是给出一个总体排名。Hippocam 最明显的领先出现在需要跨任务延续经验的指标上，以及 HiAgent 多跳指标上——它在那里得 85.8，高于 Letta 的 84.5，而若干对比方法报告 0.0。它的优势并不均匀：在 StreamBench 的 frozen-science 流上落后于 ACE 和 Letta，FEVER 迁移的提升也对答案抽取方式敏感。

对于想判断“意图结构化整合”这一思路能否迁移到自己场景的读者，论文自身的变量给出了检查清单。这些提升是在以 DeepSeek-V4.1-Flash 为主干、特定动作上限和流长度、且流内任务之间保留记忆的条件下报告的。迁移对比是两条学习流之间的对照，而不是隔离源知识；frozen-source 条件则刻意阻断目标任务之间的延续。Hippocam 的说服力最强之处在于：智能体既要保持工作上下文聚焦，又要能从一段长而有结构的历史中恢复细节，并且“不更新参数的学习”才是关键约束。

本文引用的文献