给 agent 加记忆几乎是当下的默认操作——把过去算过的结论、查过的事实缓存下来，下次直接复用，省时省钱。这背后有个朴素假设：有记忆总比没记忆好，哪怕记忆不完整，至少能提供些信息。这篇论文用一个干净的实验把这个假设按在地上反驳了：有损的记忆，可能比根本没有记忆更糟。 它的核心设定很精巧。考虑这样一段记忆：它保留了某个问题的结论，但丢掉了得出这个结论的推理过程（the work behind it）——而且这个被保留的结论恰好是错的。现在把这段记忆交给模型，会发生什么？模型看到一个现成的结论，就把它当成可信的答案，自信地输出这个过时的错值。而如果给同一个模型一段空记忆、什么都没有，它面对自己不确定的问题反而会选择弃答（abstain）——承认不知道。 这就构成了一个刺眼的对比：空记忆让模型诚实地说'我不知道'，有损记忆却让模型自信地说出错误答案。后者显然更危险——一个会弃答的系统至少不会误导你，一个自信地给错答案的系统会。 论文最有分量的地方是这个结论的稳健性。作者在七个模型上做了验证，发现这个方向'从不反转'（never reverses）——没有任何一个模型出现'有损记忆反而比空记忆好'的情况。他们把这称为一个干净的 kill condition（必然失败条件），意思是这是一个所有被测模型都无法逃脱的失败模式，而不是某个特定模型的偶发缺陷。这种跨模型的一致性，把一个看似偶然的现象升格成了一条结构性规律。 为什么这件事重要：记忆和缓存被普遍当作纯粹的优化手段——省算力、提速度，副作用顶多是'记得不全'。这篇说明副作用远不止于此：不完整的记忆会主动制造出自信的错误，而且会绕过模型本该有的'不确定就弃答'的安全行为。它把记忆从一个性能问题，重新定义成了一个可靠性和安全问题。 影响层面，对做带记忆的 agent、结果缓存、KV/语义缓存复用的人，这是个直接的设计警告：缓存结论时如果丢掉了推理或不确定性信息，可能比不缓存更坏。论文标题里的'Reclaim Evaluation'指向一个动作——记忆的质量必须被重新评估，不能默认'有就比没有强'。 局限要标注：实验聚焦于'保留错误结论、丢弃推理'这一特定的记忆损坏形态，其他形态的有损记忆是否同样有害需要看完整论文；'弃答'行为本身也依赖模型被训练得会承认不确定，对那些倾向硬答的模型，对比的基线可能不同。但跨七模型不反转这一点，已经足够让人重新审视手里每一个记忆/缓存设计。