当一个人工智能 agent 在长达数千步的探索任务中，把每一个动作、每一次观察都原封不动地记下来——不压缩、不总结、不丢弃——它反而比那些动用复杂记忆机制的 agent 表现更好，而且好得多。
这不是反直觉，这是对整个行业共识的正面撞击。
2026年7月22日，杜克大学团队在 arXiv 上发表了论文《PRO-LONG: Programmatic Memory Enables Long-Horizon Reasoning》。结果简单到令人不安：在 ARC-AGI-3 全部 25 个隐藏规则游戏中，一个“什么都不扔”的 agent，比同样模型但使用常规记忆策略的基线，平均高出 18.0 个百分点。它追平甚至超越了当前最顶尖的专用 agent 框架，最高达到 42.4% 的 pass@1，同时 token 消耗仅为后者的 4.2 到 5.8 分之一。搭配 Anthropic 的 Fable 5 时，best@2 达到 97.4%，总成本仅 1,750 美元。
而这一切的核心逻辑，只有一句话：不要总结，全记下来。
所有 Agent 都在做的事，可能从一开始就错了
在深入 PRO-LONG 之前，先看看今天的 AI agent 都在怎么做记忆。
几乎所有主流 agent 框架——从 OpenAI 的代码解释器到 Anthropic 的 Claude Code，从 LangChain 到 Letta——都在做同一件事：压缩。当 agent 的交互轨迹太长，超出上下文窗口时，它们会用总结、摘要、嵌入向量、滑动窗口等机制，把旧信息压缩成更小的表示，然后扔掉原始数据。
理由听起来无懈可击：上下文窗口有限，token 成本高昂，压缩是唯一可行的路径。
但杜克大学的团队提出了一个致命的问题：在你还不知道什么信息将来会重要的时候，你凭什么决定哪些可以扔？
这就是 PRO-LONG 论文的核心洞察。他们用了一个极端简单的方案来回答这个问题：既然你不知道，那就什么都别扔。
PRO-LONG 的机制：简单到不像一篇论文
PRO-LONG 的方法论意外地朴素。它不依赖任何复杂的记忆架构、向量数据库或学习到的压缩策略。它的“写”操作就是 append：把 agent 的每一个观察、每一个动作、每一个结果，以及一个简短的计划，原封不动地追加到一个结构化文本日志文件中。它的“读”操作就是搜索：让 agent 使用最普通的编程工具——grep、正则表达式、Python 脚本——去检索这个日志。
三个设计原则贯穿始终：
- 简单性：不需要任何学习或启发式决策来决定存什么
- 无损性：日志是环境状态的忠实记录，不做任何压缩或总结
- 兼容性：充分利用编码 agent 的原生能力——程序化搜索
在 ARC-AGI-3 的 25 个隐藏规则游戏中，每个游戏都需要 agent 在完全不了解规则的情况下，通过探索来推断环境动态，并在数千步内持续学习和适应。这正是 PRO-LONG 的舞台。
数据不会说谎
论文在三个前沿模型上进行了系统评估：GPT-5.5、Claude Opus 4.6 和 Claude Fable 5。结果清晰而一致。
在 pass@1 指标上，PRO-LONG 将基础编码 agent 基线（无日志）提升了 15.7 到 21.0 个百分点，平均 18.0 个百分点。
具体来说：
- Opus 4.6 + PRO-LONG：42.4% pass@1，是该模型在 ARC-AGI-3 上公开的最佳成绩
- GPT-5.5 + PRO-LONG：41.2% pass@1、60.1% best@5，而此前最强专用框架 WorldModeler 的最佳成绩为 45.1% pass@1——PRO-LONG 在几乎持平的情况下，token 消耗仅为 5.8 分之一
- Fable 5 + PRO-LONG：在完整动作预算下 best@2 达到 97.4%，总成本仅 1,750 美元，不到最强专用框架的三分之一
更惊人的是 token 效率。在达到同等或更高性能的情况下，PRO-LONG 的 token 消耗仅为专用框架的 4.2 到 5.8 分之一。这意味着“全记下来”不仅不浪费，反而更省钱。
PRO-LONG 在 ARC-AGI-3 上的性能提升幅度（左）与 token 成本对比（右）如下图所示。
问题出在哪：总结的致命缺陷
要理解为什么 PRO-LONG 赢了，首先要理解压缩为什么输了。
想象你在玩一个密室逃脱游戏。你面前有一百个房间，每个房间都有隐藏线索，你不知道哪个线索最终会帮你打开出口。现在，有人告诉你：你只能记住最近 10 个房间的信息，更早的房间要靠你写总结来回忆。
问题来了：你写总结的时候，怎么知道哪些细节重要？
这就是 agent 记忆面临的核心矛盾——时态不确定性。在长周期探索任务中，一个在第 3 步看似无关紧要的细节，可能在 300 步后成为关键信息。但传统的压缩机制在第 3 步之后就把它丢掉了，或者把它压缩成了一句“房间里有东西”这种毫无信息量的总结。
PRO-LONG 论文用了一个精准的术语来描述这个现象：保真度-可追溯性权衡（fidelity–tractability tradeoff）。当你写的时候存得越少，读的时候就越容易——但代价是可能丢掉了回头看时才显得重要的细节。这种成本在长周期下会不断累积，一次糟糕的总结可能在 50 步后酿成大错。
为什么以前没解决：被上下文窗口绑架的设计
这个问题其实存在了很久。为什么没人这么做过？
答案很简单：在编码 agent 成熟之前，程序化检索不可行。
早期的 LLM agent 不具备稳定地编写和运行代码的能力，更不用说用 grep 或正则表达式去搜索一个超长的日志文件了。因此，社区被迫走上了“压缩一切”的道路——用向量数据库、用摘要模型、用滑动窗口——这些方案本质上都是用“智能”来弥补“能力”的不足。
但编码 agent 在过去一年中取得了爆发式进步。从 Claude Code 到 GPT Code Interpreter，从 OpenCode 到 Cursor，编码 agent 已经能够可靠地编写、调试和执行代码。PRO-LONG 的聪明之处在于：它不再试图用“更聪明的记忆”来解决问题，而是让 agent 用自己的编码能力来检索记忆。
这就像给一个侦探配了一个档案管理员，而不是让他把所有案卷背下来。
论文在附录中提供了一组精彩的对比：在 PRO-LONG 框架下，agent 每次被调用时，会读取日志文件的末尾部分（最近的动作），然后检查工作区中之前保存的笔记和辅助文件，再用 grep 搜索日志中与当前任务相关的历史记录。而“无日志”的基线每次调用只看到当前棋盘状态和最近几步动作——所有超过上下文窗口的信息都消失了，迫使 agent 反复重新推理，而不是从中断处继续。
认知科学的回声：为什么遗忘不自然
有趣的是，PRO-LONG 的发现与人类记忆的某些特性形成了呼应。
人类记忆并不是“不遗忘才是好的”。恰恰相反，遗忘是人类大脑的核心功能之一——它帮助我们过滤噪声、提炼模式、形成抽象概念。这正是为什么“总结”听起来如此合理：它在模仿人类。
但关键区别在于：人类知道自己忘了什么，AI 不知道。
人类遗忘后，当遇到熟悉但记不清的场景时，大脑会产生“既视感”——一种“我好像见过这个”的模糊信号，触发我们去搜索更深的记忆。但 AI 的压缩机制没有这种能力。当一条信息被压缩成“房间里有东西”时，agent 就永远失去了知道“这个房间里有一个红色的三角形按钮在左下角，按下后地板会震动”的可能性。
所以 PRO-LONG 的“不遗忘”策略，本质上不是在挑战人类的记忆机制，而是承认了当前 AI 系统的一个根本局限：在大模型真正拥有“知道自己不知道什么”的元认知能力之前，最安全的策略就是什么都不扔。
更便宜，就是更好的商业模式
从商业角度看，PRO-LONG 的 token 效率数据可能比它的性能数据更有冲击力。
在 AI 行业，token 就是货币。4.2 到 5.8 倍的 token 节省，意味着在达到同等效果的情况下，运行成本降低 76% 到 83%。对于任何企业级 AI 应用来说，这是一个无法忽视的杠杆。
更深层的含义在于：它改变了智能和成本之间的交换关系。 过去，更强的 agent 意味着更大的上下文、更多的 token、更高的成本。PRO-LONG 证明了另一种可能：更强的 agent 可以来自更聪明的架构设计，而不是更昂贵的 token 消耗。
当 Fable 5 + PRO-LONG 以 1,750 美元的总成本达到 97.4% 的 best@2 时，它实际上划定了一条新的效率基准线。任何新进入 ARC-AGI-3 竞赛的团队，如果不能在成本效率上接近这个数字，就几乎失去了竞争力。
这场实验意味着什么
PRO-LONG 的发现可能对 AI agent 领域产生深远影响。
第一，向量数据库的“记忆中间件”叙事面临挑战。 过去两年，大量创业公司和开源项目围绕着“AI agent 需要专门的记忆层”这个假设来构建产品——Mem0、Letta、LangMem、Zep……它们都在做同一件事：帮 agent 决定存什么、怎么存、怎么找。PRO-LONG 提供了一个简单得多的替代方案：什么都不决定，全存下来，用代码找。如果这个范式被证明在更广泛的场景中有效，整个“记忆中间件”赛道可能需要重新思考价值主张。
第二，上下文窗口的军备竞赛可能被重新审视。 2026 年，模型厂商正在疯狂扩大上下文窗口——Claude Sonnet 4.6 达到 100 万 token，GPT-5.6 也在追赶。但 PRO-LONG 提示了一个不同的方向：也许关键不在于窗口能装多少，而在于 agent 如何利用编码工具去检索外部记忆。100 万 token 的上下文窗口可能不如一个简单的 grep 命令有用。
第三，Agent 评估范式需要更新。 如果 PRO-LONG 的结论成立——即无损记忆加程序化检索优于压缩记忆——那么评估一个 agent 框架时，就不能只看它的最终得分，还要看它的记忆管理策略。那些在基准测试中得分很高的 agent，可能只是因为它用的记忆压缩恰好和测试集的信息分布匹配了。
谁会赢，谁危险
最大的赢家很可能是编码 agent 生态。PRO-LONG 证明了编码 agent 的能力不仅是“写代码”，更是“用代码管理自己的认知过程”。这进一步强化了“编码能力是通用智能的基石”这个论点。
最危险的是那些依赖“封闭式记忆架构”的 agent 框架——即那些把记忆管理逻辑硬编码在产品中的方案。如果 agent 可以自己用代码搜索日志，为什么还需要一个专门的向量数据库？
风险与局限
当然，PRO-LONG 并非万能药。它的评估主要基于 ARC-AGI-3——一个以网格游戏为核心的交互式推理基准。这些游戏的观测空间是离散的、可文本化的，这使得“全量日志”策略天然适用。在更复杂的场景中——比如视频理解、多模态交互、实时对话——一个纯文本日志是否能同样有效，还需要验证。
此外，随着日志长度增长到数十万行，程序化检索的效率是否会成为新的瓶颈？论文提到他们在超过 10 万行的日志上仍然保持可追溯性，但更长的轨迹是否会导致新的“信息过载”问题，值得进一步观察。
杜克大学的这篇论文，用一个简单到近乎天真的问题，撬动了整个 AI agent 记忆体系的根基：如果最好的记忆就是不遗忘，那我们过去几年到底在造什么？
也许，我们一直在为 agent 设计“聪明的遗忘”，只是因为构建“不遗忘的系统”这件事，在过去并不可行。而现在，编码 agent 让“不遗忘”不仅可行，而且更便宜。
当你能存下一切的时候，遗忘就不再是一种智慧，而是一种妥协。
快报