作者 @wquguru 認為前面四層（規則、畫像、歷史、證據）本質上都還是 recall——想起過去發生過什麼。Agent memory 真正的分水嶺在下一層：self-evolution，這也是他眼中「記憶複利」的來源。
作者的論點：從 recall 到 self-evolution
他把這一層拆成四個遞進的動作：
- Recall：想起過去發生過什麼。
- Reflection：總結過去為什麼成功或失敗。
- Skill extraction：把重複成功的路徑沉澱成可複用的流程。
- Dreaming：在空閒時離線整理，而不是每輪在線臨時往上下文裡塞東西。
他指出 OpenClaw 的 dreaming、Hermes 的 post-turn self-improvement review、Claude Code 的 auto memory、EverOS 的 agent cases 與 skills，本質都朝這個方向走。原文舉的例子是一條「回測框架與策略經濟性結論」的記憶，已接近經驗沉澱：它把多個時間窗口、多個標的、多組參數格子的實驗整理成策略判斷——高換手弱信號結構性淨負、降換手是核心槓桿、窄樣本容易誤判、夠寬的標的池與更長窗口才看得到穩定性、回測資料源必須與真實交易所閉環。這類結論若只停在聊天紀錄裡，下次 agent 又從「跑一次看看」開始；一旦沉澱成 memory，下一輪可直接從更高層起步。
第五條設計原則：Agent memory 的終局不是「記住更多」，而是少犯同樣的錯、更快複用做對過的事。這正是他所謂的「複利」。
學術脈絡：reflection 不是新概念
作者口語化的「reflection → skill」其實對應到 Stanford Generative Agents（Park et al., 2023）裡明確的 reflection 機制：系統定期用最近約 100 條記憶記錄，要 LLM 提出幾個高層問題，再針對每個問題檢索記憶、生成高層洞察，並把這些洞察寫回 memory stream，讓 agent 能遞迴地對先前的反思再做反思。換言之，「把經驗壓縮成更高層的判斷、再存回記憶」是有 2023 年學術原型的，作者的貢獻是把它放進 2026 年工具生態（dreaming、auto memory、skills）的語境重新講清楚。
值得補充的客觀區分：
- 「離線反思」vs「在線堆疊」是真實且重要的取捨。每輪在線臨時往 context 塞歷史，既貴又稀釋注意力；把整理挪到空閒時離線做（dreaming），讓常駐記憶保持精煉，這個方向與業界對「context 預算」的關注一致。
- 但自我反思也可能放大錯誤：若 reflection 建立在被污染或被誤判的記憶上，沉澱出的「技能」會把錯誤固化成預設行為。這與後面「記憶新風險」一節相互呼應——self-evolution 的複利是雙向的，做對會加速、做錯也會加速。
延伸
- 複利的另一面：錯誤與污染也會被沉澱 → 客觀檢視：作者主張 vs 業界共識
- 這些層怎麼落到具體工具裡 → 落地工程：四應用對照、EverOS 與業界記憶層
- 全景與閱讀路徑 → AI memory 專欄首頁