长视界语言智能体中的重尾记忆痕迹

长视界语言智能体日益依赖外部记忆作为冻结的世界模型，但现有系统仅以任务成功率或Token成本评估。本文指出缺失的关键维度是记忆使用的形状：在有限上下文和重复检索下，记忆可能集中于核心区域，而罕见状态被置于长尾中导致预测误差累积。通过保守的尾部审计，我们发现这种集中现象可复现且依赖策略。受此启发，我们提出了核心-尾世界模型（CTWM），这是一种基于排名的记忆控制器，通过单一指数分配Prompt预算并保留总结性尾部。实验表明，CTWM在保持状态覆盖的同时显著降低了Token消耗和尾部预测误差。