案例研究：77%的实体丢失 —— 然后100%恢复

当一个大语言模型对话超出上下文窗口时，平台会对其进行总结，从而丢失信息。我们在自己的生产多智能体部署中测量了这一现象：标准压缩导致77%的命名实体（人、决策、工具、日期）丢失。当被问及90分钟前讨论的支付处理器集成时，智能体回答：“我不知道”。

我们用三层召回架构替代了压缩，基于结构化记忆：实体以完整形式保留，智能体按需精确检索当前回合所需的内容。

结果，在两个生产级智能体实例上超过16,000条消息的测量显示：100%恢复先前决策（相比之下没有恢复的比例为43%），同时46 MB的会话压缩为35 kB的工作上下文——token负载减少了99.94%。发表论文的结论依然成立：不要为更好的模型付费，要为更好的记忆付费。

The full methodology, including a review of 27 recent papers from Western, Chinese, Korean and Japanese research groups, is published as an open paper by GLG, a.s. (March 2026) — including Korean and Chinese editions.