一个成熟的Skill会越来越短——半年前需要20行指令才能可靠执行的任务，现在裸跑就行。FadeMem项目模仿遗忘曲线，存储量砍掉45%但关键事实保留了82.1%。评估的关键不是让AI学会自省，而是给它一个独立的评判系统。腾讯研究院这份报告拆解了AI记忆、技能与评估的工程化方法论——当AI能力以7个月翻一倍的速度增长，管理记忆的精度、精简技能的长度、设计评估的系统，正成为驾驭AI的核心能力。
记忆——精确遗忘比完美记忆更重要
记忆系统的基本动作：写入、管理、读取。大多数实现只做了写和读，跳过了管理。管理包含四件事：修剪（不重要的降权或删掉）、压缩（冗长历史提炼成关键事实）、巩固（反复出现的信息从短期升长期）、冲突解决（两条矛盾记忆决定保留哪个）。FadeMem项目量化了代价：忽视管理时多跳推理准确率（F1）仅5.17，有管理系统达29.43，差距近5倍。
FadeMem模仿艾宾浩斯遗忘曲线：长期记忆层半衰期约11天，短期约5天，存储量砍掉45%，关键事实保留了82.1%。消融实验显示拆掉记忆融合模块，准确率暴降53.7%。三条技术路线分化：MemO的选择性事实提取（语义记忆）、Anthropic的文档化自主管理（情景记忆）、Neo4J的结构化知识图谱（关系记忆）。不同场景天然需要不同类型，目前还没有一条路线通吃。
Skill——自己持续维护的才是最好用的
三条路径让Agent具备专业能力：微调（把知识训练进权重）、RAG（把知识放在外部文档，告诉Agent“知道什么”）、Skill（把“遇到这种情况应该怎么做”写成可复用指令模块，告诉Agent“怎么做”）。Skill是程序性知识的数字表达——政策变成决策规则，流程变成工作流脚本，指南变成Agent可遵循的指令集。
Skill用渐进式加载解决上下文瓶颈：第一层暴露约100tokens元数据（始终在线）；第二层匹配后才加载SKILL.md全文；第三层按需访问脚本和参考资料。关键不是“有没有这些知识”，是“什么时候让模型看到”。
Anthropic数百个生产级Skill的经验：描述是触发条件集不是摘要，写给模型看不是给人看；聚焦推动Agent超越默认思路的信息；踩坑记录是最有价值的部分。成熟的Skill越短越好——半年前需要20行指令的任务，现在裸跑就行。最终留下三样：精准描述、不可替代的领域知识、从失败中学到的教训。
评估——分离生成者与评判者
一个开发者用同一模型生成107个训练样本，Agent自评100%通过率；同一模型开全新上下文独立审查，5.5/10，5个严重缺陷。技术根因是“上下文污染”——Agent在同一个推理上下文中既生成又评估，自动补全会复用相同推理路径。修复比想象中简单：不需要换更强的模型，只需要换一个新上下文。
Anthropic采用PGE三角色架构：规划者把任务分解为结构化规格说明，生成者按规格产出内容，评估者对照规格审查产出。生成者和评估者各自跑在独立上下文窗口里，靠文件系统通信。评估者配了浏览器自动化测试工具，能独立导航、点按钮、截图、检查交互。每轮跑5到15次迭代，有时长达4小时。随着模型能力提升，早期脚手架已移除，但生成者与评估者的分离始终保留。
三层信任梯度：确定性检查（地基，最可信但覆盖面最窄）、AI审查（楼层，能看到语义问题但有偏见）、人类判断（屋顶，覆盖面最广但最慢最贵）。组合起来才能覆盖彼此的盲区。评估的实用起点：把上周修的3个bug转化为评估任务，这就是回归测试套件的v0.1。
