超越记忆：面向异构协作知识工作的LLM代理模板化基底

在科研和教育项目等知识密集型工作中，大量研究发现、决策和推理过程往往随着项目结束而丢失，尤其是那些被视为“死胡同”的探索和后来被撤回的论断。这些信息对后续研究者极具价值，却极少出现在正式出版物或共享代码中，导致许多失败被重复。大型语言模型（LLM）编码代理虽然已成为常见参与者，但缺乏跨会话的持久记忆，而基于原始来源的检索增强生成（RAG）也无法积累知识。

针对这一问题，Karpathy（2026）和tonbi（2026）提出了llm-wiki模式，即在原始来源和LLM代理之间插入一个由LLM维护的互连Wiki。而本文作者在此基础上，发展出可重用的模板化实现——llm-wiki-memory-template，并将其定位为一种支持异构协作知识工作的基底。该模板围绕三个协作轴设计：多人类、多AI代理、多领域，每个轴由模板中不同的架构元素提供支持（详见论文第4节）。

wiki的追加式写入约定是模板的核心特征之一。所有内容只增不改，从而同时保留成功与失败记录，解决了出版物和代码共享在结构上无法解决的负结果丢失问题。为了验证这一设计，作者部署了三个案例研究和设计报告：一个单人研究项目完整保存了被放弃的迭代版本；一个双作者项目通过事后审计发现，之前声称的20/20证据覆盖率实际仅为14和12项，经过修复后才达到18和18项，而失败路径完整保存在制品中；一个正在进行中的多代理部署作为设计报告呈现；还有一个跨领域教育变体。

论文进一步指出，失败路径保留、代理诚实性（agent honesty）和归用（appropriation）是这一制品跨社会技术层面的属性，而非仅仅是技术机制。这项工作为LLM驱动的协作知识工作提供了一种结构化记忆方案，有望减少重复劳动并提高研究透明度。该模板的GitHub仓库已公开，供研究社区使用和扩展。