Gradient 团队近期开展了一项研究，这源于一个很现实的问题：随着大模型和多智能体系统（Multi-Agent System, MAS）的发展，系统在长时间运行过程中会不断产生大量交互记录和历史信息。举个例子，当一个智能体与环境互动、与其他智能体协作时，它每天都在“积累记忆”。这些记忆本来是很宝贵的，但如果管理不好，就会像人类的“碎片化记忆”一样，越堆越乱，甚至产生噪声，导致系统效率变低、推理准确率下降和成本增加。
传统做法主要依赖两种手段：第一是向量检索，通过相似度找“相关记忆”；第二是分层存储，以分级方式管理信息。这些方法在初期确实有效，但在复杂、长期、多任务场景里，往往会遇到三个问题：
- 噪声累积：有价值和没价值的信息混在一起，检索时“好记忆”被“坏记忆”淹没。
- 存储失控：记忆库无限膨胀，推理时上下文越来越长，导致算力、金钱成本和响应时延上升。
- 跨领域泛化不足：一个任务域的经验，难以稳健迁移到另一个任务域。
为此，Gradient 团队提出了 SEDM（可扩展自进化分布式记忆框架），希望让“记忆”从被动仓库变成可以主动进化、自我优化、可审计的核心部件。
Gradient 团队的核心贡献，是把“记忆”设计成了一个可验证、自进化的分布式系统。具体来说，SEDM有三个创新点：
可验证写入（Verifiable Write Admission）
每一条候选记忆在进入系统之前，都会经历一次可复现的“实验验证”。Gradient 团队将其封装进自包含执行上下文（Self-Contained Execution Context, SCEC），该上下文支持环境无关的回放与离线验证，并记录哈希、版本与指纹信息，形成可审计的证据链。随后进行A/B对照实验：使用这条记忆与不使用时的差异，综合评估其对准确率、延迟（响应时延）和Token开销的影响。只有综合评分为正的“高质量经验”才能写入记忆库并获得初始权重。
自调度记忆控制器（Self-Scheduling Controller）
SEDM不会让记忆库无限扩张，而是设计了一个自我调度的机制。它会根据经验的“实用性权重”和语义相似度，来动态决定哪些记忆应该被调用，哪些应该逐渐淘汰或合并。比如，多次证明无效的记忆会被自动“衰减”，而经常有帮助的经验会被提升权重，甚至抽象成更通用的知识。
跨领域知识扩散（Cross-Domain Knowledge Diffusion）
SEDM不仅能在单一任务中发挥作用，还能把一个任务里学到的知识，抽象成通用形式（从specific到general），再迁移到另一个任务里。比如，Gradient 团队观察到，从事实验证（FEVER）中蒸馏的知识可以显著帮助多跳推理（HotpotQA）。
整体来看，SEDM让记忆从被动存储变成主动演化的系统组件：在提升推理准确率的同时，有效控制Token开销与响应时延，增强了系统的可持续性。
Gradient 团队的论文在送审过程中，几位审稿人都给出了积极的反馈。有人评价说：
- “这项工作把‘记忆’从传统的静态仓库，转化为一个可验证、可进化的组件，这是一种全新的思路。”
- “SEDM提出的AB验证机制，提供了可审计的证据链，避免了黑箱操作，这是非常有价值的。”
- “跨任务迁移的实验结果令人印象深刻，说明SEDM有潜力成为长期多智能体系统的基础设施。”
Gradient 团队收到这些审稿意见之后，感受到学界对这类研究方向的认可，也更坚定了Gradient 团队继续探索智能体系统记忆演化的信心。
从3到5年的视角，SEDM的应用可以从三个方向落地：
人工智能助手
面向个人与企业的智能助手，长期陪伴型助手需要稳健的长期记忆管理，SEDM可在不牺牲效率的前提下，保留用户偏好与关键知识点，降低上下文冗余与响应时延。
长上下文专业任务领域助手
企业级知识库问答、代码协作与演进式Copilot、临床与科研辅助决策（Clinical/Research Decision Support）。在这些对长上下文和持续推理敏感的场景中，SEDM通过自调度与可验证写入筛选关键记忆，控制上下文窗口和时延，提升准确性与可解释性。
科研和知识管理
科研工作者每天都会接触海量论文和实验数据。SEDM可以作为“科研记忆库”，自动筛选高价值知识、避免重复劳动，并将已验证的知识以通用片段形式迁移到新领域，加速跨学科探索。
Gradient 团队当初研究记忆自进化这个方向，在调研测试了一些现有的工作时，发现随着任务的不断执行，系统的“记忆库”膨胀得特别快，并且存在大量冗余又琐碎的细节。因此团队里的成员haoran就提出，为什么不能让记忆库像人类一样，学会根据记忆的重要性做出取舍。这推动了Gradient 团队实现可验证写入和自调度记忆控制器。此后，Gradient 团队更像是在旁观——不告诉AI记什么，而是用证据和规则看它自己学会“记与忘”。
另外，Gradient 团队成员跨越多个国家和时区，常常是凌晨一点还在开会讨论实验结果。虽然辛苦，但大家因为共同的热情而坚持，这也让Bill Shi觉得非常难忘。
接下来Gradient 团队有三方面计划：
更大规模的实测：
目前SEDM主要在公开数据集上做验证，Gradient 团队希望将它推广到更复杂的真实场景，比如企业级知识库管理、大规模代码开发项目助手等，测试它在大规模应用下的稳定性。
结合推理与规划：
Gradient 团队认为记忆不仅是“信息仓库”，还应该能参与到推理和规划中。未来Gradient 团队计划把SEDM和强化学习、推理模型结合起来，让记忆在决策过程中发挥更主动的作用。
开放生态建设：
Gradient 团队也计划逐步开源SEDM的框架，邀请更多研究者和开发者参与进来，共同推动这个方向的发展。
Bill Shi想补充的一点是，SEDM不仅仅是一个技术成果，更是一种理念的体现：人工智能系统需要“可持续性”。在AI快速发展的今天，Gradient 团队常常追求更大的模型、更强的算力，但如果没有好的机制去管理知识和记忆，系统就会不可避免地陷入低效甚至崩溃。SEDM正是Gradient 团队在探索“如何让AI长期高效工作”的一种尝试。
Gradient 团队相信，未来的AI一定是“有记忆、有演化能力”的，而SEDM只是这个方向上的第一步。
本研究由Gradient 团队共同完成。核心架构与系统实现、实验设计与结果复核、数据处理与工具链建设均由haoran，jiacong和zhangke等团队成员协同推进。
