阿凱📝 主編觀點 · 反直覺觀點 — 大家都這樣想，但其實可能不是這樣
只加 0.12% 的參數，AI 的記憶問題就解決了？沒這麼簡單
Mind Lab 這篇論文最近在 AI 圈傳得很快，標題很香：只要增加 0.12% 的模型參數，AI Agent 就能擁有穩定的工作記憶，不再像金魚一樣在長任務裡原地打轉、重複做同樣的事。跟 RAG 相比，延遲更低、Token 消耗更少，聽起來幾乎是免費的午餐。
但先等一下。
大家的直覺是：這個方法比 RAG 好，那 RAG 要死了。這個判斷我覺得跳太快。
RAG 解決的是「模型不知道的事」——你要它回答公司內部文件、最新法規、產品規格，這些東西模型從來沒見過，你只能塞進去讓它看。Mind Lab 這個方法解決的是「模型明明知道，但在多步驟任務裡忘了自己做過什麼」——更接近短期工作記憶，而不是長期知識儲存。
這兩件事根本不是同一個問題。
打個比方：RAG 像是幫一個失憶症患者帶著一本備忘錄；Mind Lab 的方法像是讓他在執行任務時，不會每隔五分鐘就忘記自己已經走到哪一步。兩個都有用，但針對的是不同的痛點。
真正值得關注的，是這篇論文背後的訊號：AI Agent 的可靠性問題正在被嚴肅對待。過去一年大家搶著做 Agent，卻低估了「Agent 在長任務裡的穩定性」有多難解決。只要任務一長，它就開始繞圈子、重複呼叫工具、忘記已經寫過的程式碼。這不是智慧問題，是架構問題。
0.12% 的參數增量如果真能做到論文宣稱的效果，對 Agent 框架的影響是實際的——更少的 Token 消耗直接代表更低的 API 成本，對於需要長時間執行的自動化任務尤其明顯。
但在學術論文變成可以用的工具之前，還有一段路。目前沒有看到主流 Agent 框架說要整合這個機制，Langchain、AutoGen、CrewAI 都還沒有動靜。
反直覺的地方在這裡：AI 記憶的問題不是一個等待技術突破的問題，而是早就有多種解法，卻沒有一個解法能通殺所有場景。0.12% 不是銀彈，它是工具箱裡新加的一把螺絲起子。
