保存经历不等于从经历学习

把一百条轨迹放进向量库不会自动完成跨案例比较；学习发生在评价、对照、归纳、验证之后，不是日志写入磁盘的那一刻。记录与整理要分家。

部署后的模型不会因为一次推理自动改变参数。上下文工程能让 Agent 在当前任务内适应，但任务结束，适应也就没了；把对话存进记忆同样不等于学会新行为——原始轨迹又长又吵，里面混着有效策略、偶然成功、错误归因和不可信输入 ai-agent-book-9。把一百条轨迹放进长上下文或向量库，模型能在需要时找回某个案例，却不会自动完成跨案例比较：哪些步骤在成功轨迹里反复出现、某次成功来自策略还是环境偶然。学习发生在「评价、对照、归纳、验证」之后，不发生在日志写入磁盘的那一刻。

三层数据，各有各的用途

原始轨迹不适合作为正式知识单元，稳妥的系统保留三层：不可变的原始轨迹用于审计；单次运行分析记录本次成败与经验草案；对多条同类轨迹比较、聚类、归纳，形成面向未来的 Markdown 知识文档 ai-agent-book-9。正式文档写的是适用场景、推荐策略、禁止做法、例外条件、证据来源和最近验证时间，而不是复述某一次任务的完整过程。这与「User as Code」同构：先把事实追加到不可变日志，再周期性重建结构化模型。先保存证据、后离线生成可变知识——把记录与整理分开，一次偶发成功或网络故障就不会立即改变 Agent，系统也有机会看到多条成败之后再见共性。

有迁移价值的内容来自对照

经验文档不是轨迹摘要。真正值得沉淀的是对照结果：同类成功轨迹做了什么、失败轨迹缺了什么、某个策略在哪些环境版本有效、在哪些前置条件下失效 ai-agent-book-9。完整的提炼管道五步：保存不可变轨迹与环境结果；为单次运行生成结构化分析；按任务族聚合，为每条经验草案建立「哪些轨迹支持、哪些轨迹反驳」的证据表；达到支持门槛才写入正式文档；最后在未参与提炼的新任务上测试迁移效果。GAIA 与 AWorld 的例子说清了新旧差别：旧做法是任务一成功就生成策略摘要、向量化入库；严格实现先用环境验证器标记成功、部分成功和失败，再比较同族多条路径——成功轨迹贡献策略草案，失败轨迹贡献排除性知识，部分成功轨迹指出哪一段有效、哪一段仍有问题 ai-agent-book-9。Reflexion 式的自然语言反思可以参与生成草案，但反思本身不是证据：只有与环境结果相符、得到跨轨迹支持、在新任务上显示正向迁移的内容，才配进入正式文档。

睡眠学习：整理安排在空闲期

「睡眠学习」是离线整合的认知类比，不要求真在夜里运行：在线 Agent 的首要职责是完成当前任务并追加不可变证据；后台学习进程在空闲期或满足门控条件时批量读取新经历，比较新旧、合并重复、解决冲突、提出更新提案并运行回归 ai-agent-book-9。一个典型周期五步：触发（时间间隔、新增轨迹数或错误频率达门槛，且当前无高优先级任务）；定向（读取正式知识、Prompt、Skill 目录及版本，明确不可修改边界）；采集与整合（从已评价轨迹找新信号，优先生成局部补丁）；验证与审批（在迁移集、保留集和安全集上评估，高风险写入等待人工批准）；修剪与索引（长期不用或被新证据推翻的能力标记过期、归档或删除，保留来源与回滚版本）。分离还有经济账：整理可以用更大的批量和更便宜的模型完成。

别和记忆混为一谈

四类状态别混在一个数组里 处理的是「该存哪、活多久」；本篇的区分在另一维：用户记忆沉淀「用户与世界是什么样的」，经验学习沉淀「在什么条件下应该怎样行动」——前者让 Agent 记得更多，后者才让它从聪明变得熟练 ai-agent-book-9。一个自检问题：你的「记忆系统」里，有没有任何一条经历，在被写入之后改变过系统后续的行为？如果所有写入都只进不出、只存不证，那不是学习闭环，是一个越堆越贵的档案室。