CORAL 代理記憶研究：先寫進度再清空對話，為何能少讀文字又答得更準？
CORAL讓AI代理自己保存進度並清空上下文。解析GAIA 42.8%、輸入文字減87.4%的測試分母、提示與訓練差異，以及重設後錯誤記憶更難查證的代價。
CORAL 想處理的，是 AI 代理工作越久，對話紀錄反而越容易妨礙下一步判斷的問題。搜尋結果、失敗嘗試和中間推論不斷累積，並非每一段都還有用。
上下文是模型每次回答時能讀到的內容。把全部歷史留下，能保存線索，也會讓模型一次次重讀過時資訊，所以更大的視窗未必直接解決整理問題。
研究團隊在 2026 年 10 月 29 日公開 CORAL 論文，讓代理自己寫下進度與事實，必要時重新開始一段工作，只帶走先前保存的重點。
在受測的八十億參數模型上，這個方法配合訓練，讓 GAIA 文字題的平均正確率從百分之十九點四提高到四十二點八，輸入文字量也減少。這仍是特定模型與測試條件的結果。
它的取捨同樣具體：對話清空後，若筆記本身錯了，原來可以用來對照的證據也可能不見。保存摘要和保留查證能力，需要一起衡量。
對關心長任務代理的讀者，這項研究有意思的地方，是整理能力可以訓練，而不是只等記憶體變大。先看它把進度和原始對話分成哪兩層。
CORAL 怎麼把工作進度和對話紀錄分開？
它保留一份可以更新的任務筆記，並讓模型自己決定何時放下累積的對話。筆記不是另一份完整聊天備份，而是模型選擇帶到後續工作的狀態。
依原始論文，傳統 ReAct 代理在思考、行動與觀察之間反覆循環。每次搜尋與讀取網頁，都會把新內容加進歷史，後面的回答也要再讀這些內容。
寫下筆記，不會立刻刪掉原始內容
CORAL 新增的記憶管理工具，讓模型增刪或修改兩類資訊：任務進度，以及它已確認的事實。這裡的「已確認」是代理寫入的分類，並不表示外部系統替每一筆提供正確保證。
例如，假設代理正在比較兩項產品，它可以記錄已完成規格查詢、還要確認方案資格，以及已找到的相關條件。這是本文用來解釋工具分工的假設，沒有宣稱實測購物服務。
此時，筆記和原始搜尋紀錄仍可同時存在。代理遇到矛盾時，還有機會往回看先前讀到的內容，因此寫筆記本身和刪除歷史並不是同一個動作。
清空之後，只帶走保存的狀態
另一個上下文最佳化工具，才會結束目前段落，移除累積的推論與工具輸出。新的工作段落從系統提示、原始任務和當前筆記重新開始。
這個時間點由代理自己判斷，可以在視窗塞滿之前整理，也可以選擇繼續使用現有紀錄。因此，清空與否取決於當前工作需要。
但給模型兩個新工具，還不代表它已經知道什麼值得記住。若筆記省略下一步需要的條件，乾淨的新對話仍可能無法繼續工作。
記筆記也需要訓練，模型究竟學了什麼？
訓練要讓代理保存下一輪真的用得上的資訊，而不是只學會把內容縮短。好的接續狀態，需要同時交代已做什麼、知道什麼，以及還有哪些問題沒解決。
研究先以示範微調安裝這些技能。微調是在既有模型上繼續學習，這裡讓模型練習寫進度、更新事實，並從先前留下的筆記恢復工作。
分段後仍是同一個任務
原始訓練材料包含三千一百七十三段完整軌跡。軌跡是代理從接到問題到交出結果的整串工作，切成不同上下文段落後，成為三千六百八十二個訓練對話。
這不是把毫無關係的對話拼在一起。後面段落的起點，是同一代理前面寫出的記憶，因此模型要學的是如何接手自己先前留下的狀態。
前半段可能教它何時把子任務標成完成，後半段則教它不要重做已經確認的工作。若只用一路累積的完整聊天訓練，就不會出現這種只靠筆記續接的情境。
失敗軌跡還能教會什麼？
訓練材料並沒有只保留答對的過程。網頁任務的二千九百三十二段軌跡中，有一千二百九十段最後答錯，研究仍保留符合格式的工作紀錄。
這不表示要把錯誤結論當成正確知識。作者的解釋是，一段軌跡可能先合理規畫、仔細寫好進度，卻在最後辨認對象時失誤。前面仍包含要教給模型的工具使用過程。
為了區分資料量和品質，研究另外固定訓練對話數量比較。只取答對軌跡的二千零三十段對話，成績為 39.3%。從全部材料隨機抽同樣數量，則為 36.5%。
也就是說，在相同數量下，答對的材料仍比較好。使用全部三千六百八十二段對話達到 41.6%，支持更多可用過程也有幫助，卻不能反過來宣稱錯誤資料比正確資料更值得收集。
這個區分也讓記憶訓練的目標更明確：學會保留進度，是一種可以從過程觀察的能力。交出正確答案，仍需要另外確認，兩者不應混成同一種資料品質。
研究再加入強化學習，也就是根據最後結果調整行為。這個版本把整次任務的獎勵傳回各段落，讓保存狀態與何時清空也成為可以改善的選擇。
但各段共用獎勵仍有侷限。某段找到關鍵證據，另一段只是繞遠路，兩者可能收到相同訊號，方法還沒有完整分出每一段各自的貢獻。
因此，判斷方法是否有效，要把只加提示、示範微調與後續強化學習分開，而不是把所有成績都歸給一個清空按鈕。
42.8%正確率與少87.4%文字，各自怎麼算？
成績來自同一批 GAIA 文字題的多次獨立執行，成本則按每次完整軌跡平均。它沒有把整份 GAIA 含其他輸入類型的問題全都跑過。
這組測試使用一百零三題文字驗證子集，每題抽樣八次，主要報告八次的平均單次正確率。這和八次只要成功一次就算答對不同，沒有替模型挑最好的一次交卷。
提示詞有幫助，但主要改善來自訓練
在 Qwen3-8B 上，ReAct 基準為 19.4%，只加入 CORAL 提示後為 20.4%，示範微調後為 41.6%，再加強化學習到 42.8%。模型名稱的八十億指參數量，不是記憶容量。
這些數字顯示，只把工具放進提示，和教會模型如何使用它們，效果差很多。也不能把從十九到四十二的全部進步，當成最後強化學習階段單獨帶來。
強化學習的另一項變化，是八次執行之間較穩定。整體正確率的標準差由 3.5 個百分點降到 1.9 個百分點，八次中最低的一次，也從 36.9% 提高到 39.8%。
這可以補充平均只增加一點二個百分點的解讀：它不只問最高能做到什麼，也看不同執行是否容易掉下來。但八次結果更穩定，仍不代表每一題、每次使用都保證正確。
另一個同規模代理 CK-Pro-8B 的整體成績為 43.7%，仍比 CORAL 高。CORAL 較強的部分在第二、第三難度，因此這不是它全面拿下所有八十億參數代理冠軍的證據。
少讀文字，還包含少走回頭路
在八百二十四次測試軌跡裡，每次平均輸入量從約一百零七萬八千個 token，降到十三萬六千個，減少 87.4%。Token 是文字處理的計量單位，這不是整體金額或執行秒數的同幅下降。
平均模型呼叫也從 45.3 次降到 15.2 次。這表示省下的內容不只來自縮短單次上下文，也和代理較少重複搜尋、較少走回頭路有關。
尤其只加提示的版本，平均每次任務會清空約 4.3 次，訓練後反而只有 0.21 次。改善並非更頻繁刪紀錄，而是較會整理與推進，讓重設不再那麼常需要。
這讓「少讀」和「答得較好」能同時出現，但訓練與工具管理能力也提醒我們，方法未必在每個模型上都有效。
強模型能直接受益，弱模型為何可能退步？
工具管理本身有門檻，增加選擇不保證每個模型都能用好。如果模型連工具格式與呼叫時機都難以維持，新工具就可能變成額外負擔。
研究在較弱的另一個七十億參數模型上發現，只加提示時，正確率反而由 17.5% 降到 13.6%。這個例子支持先檢查模型能否管理新增步驟，而不是把架構當成通用加分器。
大型模型的另一組測試不能混進來
對 Claude Sonnet 4，只用提示就能把同一組 GAIA 成績從 60.2% 提高到 65.0%。這和前面經過微調的 Qwen3-8B，是不同模型與不同訓練安排。
另一份 BrowseComp 測試採用 Sonnet 4，只評估前一百五十題，從 22.7% 提高到 30.7%，相差八個百分點。它沒有代表整份 BrowseComp，也不是四十二點八那組模型的新成績。
這個比較固定搜尋與瀏覽工具，主要變化是能否使用兩個記憶工具。因此，它比較直接支持上下文管理有幫助，卻仍需要更多模型和完整題庫檢查。
難題進步，需要連同小樣本看
GAIA 的第三難度只有十二題，一個問題就占約八點三個百分點。即使多次抽樣能降低單次偶然性，也不會把十二個不同問題變成更廣泛的題目分布。
作者因此把這部分當成方向性證據，而不是非常精確的普遍成功率。讀者可以注意長任務上的趨勢，仍應保留這個難度層級樣本較少的限制。
模型能力之外，記錄內容本身的可信度也會決定，清空歷史之後能不能安全接續。
清空歷史後，錯誤記憶還能被發現嗎？
CORAL 目前把保存的事實當成後續依據，原始紀錄被刪後，錯誤也可能更難查出。乾淨的上下文減少噪音，同時也移走了可供反查的材料。
論文附錄的限制討論指出，當研究故意改錯筆記時，原搜尋紀錄還在的情況，代理較常能察覺。但如果在重設後才改錯，測試裡就沒有恢復正確內容。
摘要是工作依據，也可能成為單一錯誤來源
假設一條方案限制被記成相反意思，後續代理又只有這份筆記，就可能一路以錯誤條件作比較。這是本文解釋風險的假設，沒有宣稱論文測過該產品場景。
保留更多原文可以增加查證機會，卻也會增加重讀量。因此，這不是單純把記憶越短越好，而是在精簡與保留證據之間作取捨。
作者提出讓每筆事實附帶來源，重設後仍能重新抓取與驗證的未來方向。這項來源感知記憶尚不是 CORAL 已經完成的功能，不能把研究建議當成現成保障。
訓練後較少重設的行為，可能減少原始證據過早消失的情況，但它仍沒有解決錯誤筆記會被當真。減輕風險和排除風險，是不同結果。
對想做長任務代理的團隊，這項研究值得看的是狀態管理能否降低反覆探索，同時保留必要依據。對一般使用者，它不是一個能直接開啟的永久記憶服務，也沒有公開商業費率可比較。
後續如果能把來源查核與分段貢獻一起改善，這種記憶架構才更接近可靠的長期工作。想持續追蹤代理研究，歡迎免費訂閱 AI 郵報。
CORAL 常見問題
它會替模型增加永久記憶嗎？
研究關注同一任務裡跨上下文段落的狀態保存，不是替所有聊天產品推出永久記憶。保存多久、如何交給其他任務，都需要另外的系統設計。
87.4%比較少，代表費用也省87.4%嗎？
該數字只描述受測軌跡的輸入 token。完整費用還可能包含輸出、工具、訓練及其他執行成本，不能直接等比例換算。
筆記裡叫已確認事實，就一定正確嗎？
不是。這是代理保存的資訊類別，沒有自動正確保證。研究甚至顯示，重設後若筆記被改錯，缺少原始證據會讓恢復更困難。
延伸閱讀：GitHub intelligence 是什麼？Copilot Memory、Dreaming 與跨程式庫搜尋完整解析
延伸閱讀：RobotAgentBench 測家用機器人自主性：會抓物，為何仍不會自己把家務完成？
原始資料來源
