学术研究中的持久化 AI 智能体：单研究者实施案例研究

背景：大语言模型通常在短期对话中评估，缺乏对其在具备持久记忆、本地文件及外部工具的学术环境中长期嵌入的研究。方法：本研究通过结构化自我观察，分析了包含研究者、代理运行时、记忆层及治理规则的持久化人机环境，并采用 PARE-M 框架评估架构、利用率及产出等指标。结果：数据显示系统高度依赖缓存读取（82.9%），记忆衍生记录识别了大量输出与修正事件。结论：工作流以缓存为主导，表明持久化代理环境可能将经济单位从“每令牌成本”转向“每完成产物成本”，未来评估应关注产物级别指标。