将事实作为一等对象：面向持久 LLM 记忆的知识对象

大型语言模型日益用作持久知识工作者，其中以情境记忆 - 存储在提示词中的事实 - 为默认策略。我们对比评估了情境记忆与知识对象 (KOs) 的性能，后者是离散的哈希寻址元组，具有 O(1) 检索性能。在情境窗口内，Claude Sonnet 4.5 在 10 到 7,000 个事实上实现了 100% 精确匹配准确率（占其 200K 窗口的 97.5%）。然而，实际部署揭示了三个故障模式：容量限制（提示词在 8,000 个事实处溢出）、压缩损失（概述破坏了 60% 的事实）和目标漂移（连续压缩导致项目约束 54% 丢失，但模型仍保持自信）。KOs 在所有条件下均实现 100% 准确率，成本降低 252 倍。在多跳推理中，KOs 达到 78.9% 的准确率，而情境记忆仅为 31.6%。跨模型复制实验确认压缩损失是架构性的，而非模型特定的。我们还展示了嵌入检索在对抗性事实上（仅 1% 精确率）和神经记忆（Titans）存储事实但无法按需检索的失败。我们引入密度自适应检索作为切换机制，并发布了基准套件。