摘要： 基础模型智能体正日益成为跨交互记忆用户的长期运行系统，这使得记忆成为一项明确的部署时功能，而不仅仅是模型权重的属性。现有工作关注参数化记忆或审计固定的记忆配置，但并未描述记忆设计选择如何共同影响个性化效用、提取风险和删除保真度。我们将这一研究面定义为部署时记忆，将智能体记忆表述为由个性化召回率（PR）和对抗性提取率（AER）衡量的隐私-效用边界，并系统考察了三个记忆设计旋钮：摘要压缩程度、检索广度（k）和删除模式。我们进一步引入了遗忘残留分数（FRS），以量化已删除信息是否仍可从衍生记忆层级中恢复。在LongMemEval上，关键事实摘要压缩使Gemma 3 12B的金丝雀提取率降低76%，使GPT-4o-mini降低64%，同时几乎保留了所有个性化召回率；关键在于，一旦内容被压缩掉，增加k值不再能恢复泄露。然而，同样的压缩却导致了删除保真度失效：仅原始数据删除使得约20%的实例中衍生摘要副本仍可恢复，只有全流程清除或墓碑式修订才能将最差层级的残留降至零。综合来看，这些结果确立了持久性智能体记忆必须作为一类首要的记忆机制进行评估——通过评估它帮助智能体回忆什么、使什么可被提取、以及能真正擦除什么。