一分钟原生记忆：具身与 GUI 智能体的端侧闭环

智能体在端侧作业时，最缺的不是算力，而是「刚才发生了什么」的延续能力。原生记忆要解决的是短周期内的状态保持：过去一分钟里设备看到什么、做了什么、结果如何。这段记忆决定了智能体是能连续作业，还是每次都要从头理解现场。

原生记忆解决的是状态延续，不是数据缓存

把记忆理解成缓存，容易把它做成一个只有读写的存储块。原生记忆的职责更接近「工作台」：它保存的是与当前任务相关的那一小段状态，并且能随着任务推进而更新。

三个特征把它与普通缓存区分开。一是短周期，通常只覆盖当前任务涉及的时间窗，不追求长期存档。二是结构化，保存的是设备状态、已执行动作、待确认事项，而不是原始视频流。三是有取舍，新的观察会挤掉过期的内容，保留策略决定了智能体会不会「记得不该记的」或「忘了该记的」。

放在具身与图形界面操作的场景里，这一点尤其关键。机械臂夹取失败后需要知道上一次的姿态与力度，界面操作的智能体点错了按钮后需要知道上一步点在哪里，这类信息都以分钟级为周期，过期即失效。

断网时仍要连续作业，记忆必须落在本地

端侧场景的网络条件不可假设。车间、机房、野外都可能出现长时间断连，此时智能体仍需要维持基本作业。这意味着记忆不能放在远端，必须在本地维护。

本地记忆带来两个后果。一是容量必须精打细算，设备内存有限，记忆区和模型区要争同一块资源，因此记忆的保留窗口与条目数必须有明确上限。二是生命周期要显式管理，任务结束后如何清理、异常退出后如何恢复、设备重启后保留哪些内容，都需要提前定义，而不是靠进程退出自动释放。

实践中的做法是把记忆分成两层：一层是进程内的快速状态，用于当前任务；另一层是持久化到本地的关键状态，用于断电或重启后恢复。两层之间定期同步，避免每次操作都写盘。

写入与清理策略，决定记忆可控性

记忆一旦不加约束地写入，很快就会污染决策。三条约束比较关键。

只记与任务相关的项。无关的环境变化不必进入记忆，否则有效信息会被稀释。常见做法是先定义任务相关的状态字段，只允许这些字段写入。

给每条记忆附时间戳与来源。决策时按新鲜度加权，过期的信息降权或忽略，而不是与最新状态同等对待。这在现场环境缓慢变化的场景里尤其重要。

明确清理触发条件。任务完成、超时、人工干预都应触发清理。没有清理机制的记忆系统，最终会退化成什么都记但都不可信的存储。