Your Agents Are Aging Too: Agent Lifespan Engineering for Deployed Systems
AI Agent也会老化：部署系统中的Agent寿命工程
🧭 Agent系统寿命工程与老化诊断 ★ 深度解读
The University of Texas at Austin
首次定义Agent老化并构建纵向可靠性基准AgingBench，通过四种机制和诊断探针实现组件级归因。
📌 工作参考价值（4 点）
- 部署后的纵向监控：Agent可靠性会随时间退化，仅靠单次基准不足。电商推荐Agent（如长期对话助手）应建立老化曲线和半衰期指标，监控事实精度衰减。
- 写时值保留策略：压缩老化表明摘要会丢弃关键细节（如金额、约束）。在记忆写入时，可注入明确保留指令，或用结构化字段保存数值，防止“每日服药”这类泛化丢失。
- 干扰诊断与检索增强：干扰老化源于相似记忆混淆，可借鉴counterfactual探针区分是写入遗漏还是检索失败。对应到多用户推荐中，需对相似实体的记忆做硬性区分（如user ID后缀），并诊断是向量检索不准还是记忆未写入。
- 维护后回归检测：memory recompaction等操作会引发性能断崖。Agent上线后应在每次维护操作后运行关键事实的回归探测，对突变指标自动告警，类似软件CI/CD流程。