旧经验，怎样继续帮助当前任务？

目前的认识

目前能说明的是：经验还在不保证取得到，较新的说明不保证适用于当前范围，派生状态的撤回还可能需要单独处理。我们尚未证明，把条件与修订关系加入 memory 就能提高真实 agent 的任务完成率。

一条经验从被保存到参与行动，中间经过候选、选择、理解与适用判断。我们把检索竞争、更正与范围两项已执行研究放在一起，追问这些环节怎样接上真实任务；cache 撤回则提供一个跨层借鉴必须止步的边界。

这件事，是怎么知道的？

下一次，怎样让认识改变？

携带适用条件与修订关系的经验，能否改善版本变化中的可执行工具任务？

怎样比较

后续 pilot 可比较不注入经验、现有朴素检索／摘要、条件化候选方案，并用正确证据分支诊断“取不到”与“用不好”。第一轮只改变一个主要机制；若比较整套方案，就把结论限定为整套方案。

看什么结果

任务实际完成是主要结果；另报旧范围误用、暂缓、延迟与 token。注入分支对齐预算，任务族作为样本单位，不把同一场景的许多改写计成独立任务。

何时改主意

如果证据可得时现有方法同样完成任务，或候选方案的收益被误用、暂缓与成本抵消，就缩小或撤回“条件化处理值得采用”的建议；若失败集中在条件识别，研究重点转向这一环节。

研究方向，尚未运行真实模型 pilot；没有冻结未查看任务族，也没有效果或显著性结论。现有 deterministic 场景不充当真实 no-memory agent。

已有的理解，可以怎样带回去？

下面是可以独立引用的编者判断。已有实验支持限定范围内的认识；具体迁移方法仍需在目标系统验证。