随着大模型与多智能体系统（MAS）在复杂场景中长期运行，记忆管理成为制约系统效率与可持续性的关键瓶颈。Gradient团队针对记忆库无限膨胀、噪声累积、跨任务泛化能力弱等问题，提出SEDM（可扩展自进化分布式记忆框架），将记忆从静态存储升级为可验证、自进化、可审计的动态组件。其核心在于三大创新：首先，可验证写入通过自包含执行上下文（SCEC）实现候选记忆的离线回放与A/B对照实验，仅对提升准确率、降低延迟与Token开销的“高质量经验”赋予初始权重，确保写入质量；其次，自调度记忆控制器基于实用性权重与语义相似度动态调节记忆调用与淘汰，避免冗余堆积，实现记忆的自我优化；最后，跨领域知识扩散机制可将特定任务中提炼的通用知识迁移至新场景，如从FEVER任务中蒸馏的知识显著提升HotpotQA的多跳推理性能，增强了系统的泛化能力。 实验表明，SEDM在保持推理准确率的同时，显著压缩上下文长度与响应时延，有效控制存储膨胀，解决了传统向量检索与分层存储在长期运行中的失效问题。审稿人高度评价该工作“重构了记忆的本质”，认为其可验证机制提供了透明可信的证据链，突破了黑箱记忆管理的局限，尤其在跨任务迁移方面的表现令人印象深刻，具备成为下一代智能体系统基础设施的潜力。 从应用前景看，SEDM可在三大方向落地：面向个人与企业级智能助手，实现长期陪伴中的高效记忆管理；在企业知识库、代码协作与临床决策支持等专业场景中，保障长上下文推理的准确性与可解释性；作为科研记忆库，自动筛选高价值知识，加速跨学科探索，减少重复劳动。该研究源于团队在实际测试中发现记忆库快速膨胀、冗余严重的现象，成员haoran提出“让AI学会记与忘”的理念，推动团队转向以证据驱动的记忆演化路径。团队成员跨越多时区协作，常于深夜讨论实验结果，体现了对可持续AI的共同信念。 未来，Gradient团队计划推进更大规模真实场景验证，探索SEDM与强化学习、推理模型的深度融合，使其在决策中发挥主动作用，并逐步开源框架，构建开放生态。Bill Shi强调，SEDM不仅是技术突破，更是一种理念——AI系统必须具备可持续性。在模型规模持续扩张的背景下，唯有通过智能记忆管理，才能实现长期高效运行。SEDM正是迈向“有记忆、能演化”的智能体时代的第一步。