摘要：长时程语言智能体中的重尾记忆痕迹
长时程语言智能体日益依赖外部记忆作为冻结的世界模型，然而当前的记忆系统通常仅以任务成功率或 token 成本来评判。我们认为，缺失的对象是记忆使用的形态：在有限上下文和重复检索下，智能体记忆可能集中于一个小的核心，而将稀有状态留在长尾中，预测误差在那里不断累积。我们通过一项保守的尾部审计来研究这一效应，发现集中现象是可复现的，但依赖于策略。随机游走智能体产生与对数正态分布兼容的检索痕迹，而语义 LLM 策略则产生最强的与截断幂律兼容的核心—尾部痕迹。受此审计的启发，我们提出核心—尾部世界模型（Core–Tail World Model, CTWM），一种基于排名的记忆控制器，它以单一指数 $\tau$ 分配提示预算，同时保留一个摘要化的尾部。在 Synthetic Graph World 上，CTWM 保持了完整的状态和转移覆盖，减少了 5.9% 的提示 token，并将下半尾部预测误差相对于图记忆基线降低了 13.6%。相同的配对比较在 ALFWorld 上给出一致的 token 节省，并在 LongMemEval 上实现 24.48% 的 token 缩减，同时总体准确率持平。这些结果表明，重尾记忆痕迹不仅是有限检索的一种诊断指标，也是面向 token 高效智能体世界模型的一种实用控制信号。