模型升级之后，智能体的旧记忆何去何从：记忆可迁移性实证研究

模型升级已成常规，记忆迁移却并非如此。智能体即使保留相同的记忆存储也依然会发生“遗忘”：新模型对旧笔记的解读可能有所不同，混合的嵌入版本可能会破坏检索，而在缺乏原始证据的情况下，修复也可能会失败。我们对比了同一历史记录在四种记忆形式下的表现：逐字保留用于长上下文阅读（LC-RAW）、分块用于检索增强生成（RAG）、由模型压缩为自然语言笔记（NOTES），以及规范化为固定模式的知识图谱（KG-fixed）。该研究采用了 48 个带有随机答案代码的合成历史记录、精确评分机制，以及两个参数量在 100 亿以下的开源权重模型。我们的测量结果表明，固定模式结构的迁移表现十分可靠，在更换写入模型后，KG-fixed 的准确率仅变化了 $+0.0004 \pm 0.0020$。相反，压缩后的 NOTES 表现出高度的模型耦合性，准确率根据具体的迁移方向出现非对称性偏移，变化幅度达 $+9.91$ 或 $-13.28$ 个百分点。在 RAG 系统中，采用 50/50 混合索引的部分嵌入迁移仅获得了 4.96 个百分点的准确率提升，损失了完全重新嵌入所带来的 11.90 个百分点提升中的绝大部分。诊断分解分析表明，NOTES 准确率缺陷的 80%（$0.467 \pm 0.014$）归因于初始构建过程中的信息丢失，而检索失败则导致了 RAG 缺陷的 81%（$0.364 \pm 0.012$）。最后，仅针对存储本身的 NOTES 修复在全部 48 个测试用例中均未能达到 90% 的性能恢复目标；而在其中一个测试方向上，保留原始源历史记录使得 48 个用例中的 34 个成功实现了恢复。这些发现凸显了进行特定方向迁移测试、严格隔离嵌入空间以及为记忆修复保留源历史记录的必要性。