智能体的记忆栈在多大程度上是模型架构的权宜之计

当前的智能体（agent）栈依赖检索历史、维护外部记忆、压缩提示词等外部手段来弥补模型调用无法自动延续上下文记忆的缺陷。BDH-CQ 等基于循环状态（recurrent state）的架构允许示例在不修改模型权重的情况下更新内部任务记忆，并由独立 latent workspace 处理推理。