让AI记住东西，这事儿比听起来难。
目前的方案大致分两条路：要么把记忆塞进模型权重里——这需要微调，费时费算力；要么外挂一个数据库——检索式的记忆，灵活但没有内化，Agent 每次都要重新"查资料"而不是真正"记得"。
arxiv 上刚出炉的 FORGE 论文（Self-Evolving Agent Memory With No Weight Updates via Population Broadcast）选了第三条路：让Agent群体互相广播经验，在不碰模型权重的情况下，实现记忆的自主进化。
群体广播是什么
FORGE 的核心机制叫"群体广播"（Population Broadcast）。它的逻辑不复杂：
一个Agent在某个任务中积累了经验——什么策略有效、什么方法失败了、哪些信息值得保留——它把这段经验广播给群体中的其他Agent。其他Agent接收到后，把这条经验整合进自己的记忆中。下一次遇到类似场景时，它们可以直接调用这条"集体记忆"，而不需要重新探索。
关键点在于：这个过程不更新模型权重。经验的存储和检索完全在外部的记忆模块中完成。模型本身保持不变，但Agent的行为能力在持续增长。
为什么这个思路有意思
绕过权重更新，意味着几个重要的优势：
零微调成本。传统的持续学习方案要么需要定期微调模型，要么需要设计复杂的增量学习算法。FORGE 完全不需要动模型——记忆的增长是外挂式的，即插即用。
即时共享。一个Agent学到的东西可以瞬间被所有其他Agent获取。在传统的微调方案中，你需要重新训练整个模型，然后把新模型部署到所有实例上。FORGE 只需要广播一条消息。
可审计、可回滚。因为记忆是显式存储的，你可以查看、编辑、删除任何一条记忆条目。如果某条记忆是错误的，删掉就行。权重更新做不到这一点——你没法精确定位和修改模型中的某个"错误信念"。
与RAG的区别
你可能会说：这不就是 RAG（检索增强生成）吗？外挂知识库，检索相关内容，然后生成回答。
区别在于"自进化"。RAG 的知识库是人类维护的——你需要手动添加文档、更新内容、管理索引。FORGE 的记忆是Agent自己在交互过程中生成和维护的。它会自动判断哪些经验值得保留、哪些应该遗忘、哪些需要整合。
这更像人类的记忆机制。你不是每天背诵一本百科全书——你通过经历和反思，自动形成和更新自己的记忆。
论文的实验设计
论文在多个Agent任务基准上进行了评估，包括需要长期记忆的策略任务和需要跨任务知识迁移的复杂场景。结果显示，FORGE 的群体广播机制在记忆效率和任务表现上都优于个体学习和传统的检索式方案。
特别值得注意的是，随着Agent群体规模的增大，学习效果呈现超线性增长——这说明群体广播机制确实产生了"集体智慧"的效果，而不仅仅是简单的信息叠加。
我的看法
FORGE 的方向戳中了当前 Agent 系统的一个核心矛盾：我们希望Agent越来越聪明，但又不想每次提升能力都重新训练模型。
群体广播的思路提供了一个优雅的解决方案。它把"学习"和"模型更新"解耦了——学习发生在记忆层，模型保持不变。这意味着你可以用一个固定版本的模型，通过不断增长的集体记忆，让Agent的能力持续提升。
当然，问题也不少。记忆的冲突怎么解决？如果一个Agent的错误经验被广播给整个群体怎么办？随着记忆量的增长，检索效率和记忆质量如何保持？
这些问题论文还没有完全解决。但它指出的方向是清晰的：Agent 的记忆不应该依附于模型权重，而应该是一个独立的、可进化的、可共享的层。
这条路如果走通了，Agent 的部署和维护成本会大幅下降。你不需要频繁地重新训练模型——只需要让Agent群体自己去学习、去广播、去进化。
主要来源：