Apple 發表 Agent 共享選擇性持久記憶架構，保留四類上下文使任務完成率達 96%

Apple ML 發表針對 Agentic LLM 系統的「共享選擇性持久記憶」（Shared Selective Persistent Memory）架構論文。該架構旨在解決多輪工具呼叫的上下文遺失問題，僅保留任務規格、資料綱要、工具設定與輸出限制等四類可重複使用的上下文，並明確捨棄單次會話的推理軌跡。 實測顯示，保留完整對話歷史反而會因過時的推理軌跡干擾模型，使任務完成率降至 71%（低於無記憶基準的 79%），而採用選擇性記憶則將完成率大幅提升至 96%。 該架構已部署於協作工作區平台，支援透過 CSV、SQL、REST APIs 與 MCP 伺服器存取異質資料，並具備 Git 版本控制與草稿隔離功能，允許跨使用者透過角色存取控制（RBAC）共享累積的上下文記憶。此外，系統導入「零 Token 資料刷新」機制，將生成的程式與執行期資料脫鉤，在例行資料更新時無需重新呼叫 LLM，使任務時間縮減 14 倍；其摘要驅動生成技術相較於直接注入原始資料，每次呼叫的 Token 成本降低了 97 倍。