智能体记忆系统会复用过去经验来改进后续表现，但现有设计多半在写时策展：任务完成后，轨迹被蒸馏成反思、工作流、技能或推理策略等固定产物，之后再按相似度取出。这意味着系统必须在未来查询尚未出现时，就决定什么值得记住，信息一旦丢弃便不可逆，得到的还是一份与具体查询无关、却要应付多种下游任务的摘要。Just-in-Time Memory（JitMem）选择另一条路：保留原始轨迹，把策展推迟到读时、当前任务已知之后。
写时策展的结构性代价
写时固化不仅会过早丢信息，还让策展器很难学。一条存储决策的价值，往往要等到很久之后、相关查询真正到来时才显现，形成长程信用分配。材料强调，学习这样的写时策展器因此很困难。检索侧也只能依赖写时就已经定型的、查询无关摘要，难以按当下任务需求重新组织经验。
读时策展与报告中的结果
JitMem 在读时根据检索到的轨迹和新任务，由记忆策展器合成一份紧凑、任务自适应的载荷。载荷在同一任务上立刻被消费，策展器因而可以直接用即时任务成败来训练，避开延迟效用，也不必人为把相关任务捆成一组。材料称，该方法在 ALFWorld、WebShop 与 τ^2-bench 上均优于无记忆智能体，以及启发式和已学习的写时记忆方法；相对最强基线的绝对成功率提升分别为 16.2、16.3 和 3.9 个百分点。摘要在此处截断，其余细节无法核对。
我的判断
把「记什么」从写时挪到读时，逻辑清楚：未来任务未知时做不可逆压缩，本身就不合理。用即时任务成功信号训练策展器，也绕开了长程信用分配这一真实难点。对会反复执行、轨迹可存、需要按任务重组经验的 LLM 智能体，这个方向值得跟。材料仅有摘要，策展器结构、延迟与存储开销均未给出；τ^2-bench 提升更小，边界不清。在没有全文细节前，不宜把 JitMem 理解成已经解决智能体记忆，而应看成一次把策展时机后移的明确实验。