AgentState 服务于当前执行#

AgentState 包含 Session、上下文、摘要、Reply 位置、权限、工具和任务状态。它回答的是：

• 当前 ToolCall 是否在等待结果；
• 本轮 Reply 执行到哪一步；
• 当前权限与任务上下文是什么；
• 压缩前后需要继续提供哪些消息。

这些信息用于 Checkpoint 和故障恢复。把临时 Tool 结果写入长期记忆，既不能替代 AgentState，也可能让一次失败执行污染后续会话。

Middleware 管理长期记忆生命周期#

Long-term Memory Middleware 在 Agent Loop 外围介入：

1
收到新输入
2
→ 提取检索查询
3
→ Reply 开始前检索长期记忆
4
→ 注入当前上下文
5
→ Agent 正常执行
6
→ 捕获最终 AssistantMsg
7
→ Reply 结束后写回

static_control、agent_control 和 both 改变由 Middleware 还是模型决定读写，但不会消除长期记忆的治理问题。

这一顺序说明长期记忆是按需提供的外部知识，不是完整历史消息的另一份副本。

自动写回不等于记忆治理#

生产记忆层还需要回答：

• 哪些信息值得跨会话保存；
• 事实来自哪个用户、任务和时间；
• 新旧事实冲突时如何更正；
• 用户要求删除时如何追踪派生内容；
• 召回多少内容才不会挤占当前上下文；
• 不可信输入是否会被提升为长期规则。

仅把最终消息交给记忆服务，可能保存未经确认的模型推断。来源、作用域、置信度和更正关系应当与记忆内容一起持久化。

我的判断：候选先隔离，确认后提升#

我会先把自动提取结果保存为候选，只从用户确认、工具真实结果或可验证产出中提升长期事实。每条记忆记录来源与作用域，整轮只检索一次并复用，更正与删除作为首要接口。

代价是写入链路更复杂，记忆增长也会更慢。若产品不需要跨会话个性化或长期学习，AgentState 与普通历史已经足够；只有明确存在长期复用价值时，才应启用自动记忆，并持续监控错误召回和污染。