G40：跨 Session Agent 的检索、恢复与审计

内容类型：预习教材（不代表已完成）
日期：2027-04-02
阶段：P3 · AGI Foundations 90
总路线：Day 220 / 360
周次：W6 · Memory、Planning 与 Tool Use
节奏：周五知识图谱更新
状态：教材已备；学习未完成
标签：cross-session、audit、retrieval、recovery、agent-runtime

一句话定义

跨 session Agent 的可靠性来自可重建的显式状态、带来源的检索和受控恢复，而不是模型声称自己“记得上次发生了什么”。

学习目标

1. 定义跨 session task success、retrieval quality、recovery quality 与 evidence completeness。
2. 推导 event log、snapshot、derived summary 和 current state 的关系。
3. 区分可重放事实与不可重现的模型生成过程。
4. 形成 W6 组件图，说明记忆、planner、tool runtime 与权限边界。

核心知识

• 一个 session 结束时，应提交的是结构化 checkpoint：目标状态、未解决项、已确认事件、工具结果引用、权限与版本；不是整段聊天的模糊摘要。
• Event log 是按时间追加的事实流，snapshot 是某版本 reducer 的加速视图，semantic summary 是便于检索的派生材料。三者损坏后的恢复能力不同。
• Auditability 不要求公开隐藏思维链。保存 action proposal、validation decision、tool input hash、typed result、state transition 和人工决定，通常比自然语言推理更可验证。
• Recovery quality 包含故障检测、定位、恢复动作、重复副作用避免和剩余不确定性。恢复到“能继续”不等于恢复到正确状态。
• 跨 session 的任务完成率要与 memory coverage 一起看。系统可以通过拒绝处理困难 case 获得高准确率，必须报告 defer/abstain。

机制与推导

令事件日志 (E_{1:n})，reducer 版本为 (v)，则状态为：

[ x_n=F_v(E_{1:n}) ]

snapshot (S_k) 是 (x_k) 的缓存，恢复时计算 (F_v(S_k,E_{k+1:n}))。若 reducer 升级为 (v')，旧 snapshot 未必兼容，因此必须保存 schema 与 migration 信息。Semantic summary (u_n=G(E_{1:n})) 不应成为唯一状态，因为 (G) 通常有损且不可逆。

定义一个轻量 evidence completeness：对计划中的关键动作集合 (A_c)，检查是否同时有 proposal、decision、result、commit 四类证据：

[ EC=\frac{\sum_{a\in A_c}\mathbb 1[P_a\land D_a\land R_a\land C_a]}{|A_c|} ]

它只衡量记录齐全，不衡量动作语义正确。恢复质量可分解为：

[ RQ=(state_agreement, duplicate_effects, unresolved_unknowns, recovery_steps) ]

不要把向量压成单分数；四个维度共同保留失败形态。

最小练习或观察步骤

1. 构造 session A：读取三条事件、生成未完成草稿并 checkpoint；session B：注入一条新事件后继续。
2. 保存 event log、snapshot 和 summary 三层，故意删除 summary，再用 event replay 恢复；随后反过来只保留 summary，观察哪些字段不可恢复。
3. 在 session 边界更换一个 tool schema version，检查 checkpoint 是否明确指出迁移或拒绝继续。
4. 注入一次 UNKNOWN 写结果，要求新 session 先查询状态而非重做动作。
5. 记录 task terminal state、defer、retrieval 来源、结构化 drift、重复副作用与 evidence completeness。
6. 画出 W6 最终图：memory write/read、planner proposal、policy validation、executor、event commit、human handoff；箭头标数据类型。

常见误区与边界

• 只保存自然语言摘要，跨 session 时无法恢复精确未完成动作与权限状态。
• 保存所有日志就宣称可审计；没有版本、关联 ID 和结果类型，日志只是文本堆积。
• replay 得到相同 state 就认为 Agent 行为可完全复现；模型候选生成仍可能非确定，只能复现已提交事件。
• schema 升级时静默解释旧字段，造成状态漂移。
• 高成功率来自大量 defer，却不报告 coverage。
• toy audit 不能证明生产合规，只训练证据边界与故障归因。

研究/系统场景连接

跨日客户案件需要知道“上次读取了什么、人工确认了什么、哪些建议尚未执行”，而不是让模型从聊天记录猜测。案件状态修改仍由授权系统拥有，Agent checkpoint 只保存引用和草稿。研究工作中，跨 session 记录应将论文外部证据、本人实际运行与未测试假设分开；恢复时能够从原始实验配置和输出重建结论范围，而非相信一段自动总结。

自检问题

1. event、snapshot 与 summary 的可恢复性有何不同？
2. 为什么 evidence completeness 不等于 semantic correctness？
3. reducer 或 tool schema 升级时需保存哪些信息？
4. replay 能复现什么，不能复现什么？
5. task success 必须与 defer/coverage 怎样联合报告？

专业课程对齐

• 阅读 Generative Agents 原始论文，观察长期事件、reflection 与计划如何互动，并将其仿真目标与业务审计目标分开。
• 阅读 MemGPT 原始论文，对照 memory tier 与 checkpoint，思考 context swap 之外还需要哪些版本和来源证据。
• 阅读 ReAct 原始论文，把 action/observation 轨迹与可保存的结构化 evidence 对齐，不要求保存私有思维链。

深入学习提示

可以进一步了解 event sourcing、snapshot migration、trace context 与 tamper-evident log。保持目标轻量：先确保一个 toy session 能从事件恢复，再讨论规模。研究上最值得追问的是“哪些状态属于环境事实，哪些只是 Agent belief”，两者混同会让跨 session 错误看起来很自洽。

学后填写区

• 实际保存的三层状态：
• 恢复或无法恢复的字段：
• schema/version 观察：
• evidence completeness 的限制：
• defer 与 coverage：
• 尚未理解的问题：