这个话题在 51CTO 昨天（9月17日）刚发了一篇深度拆解 [citation:17.6]，加上 OpenAI 9月初连续合并的几个 PR，时间点非常及时。Codex 的记忆机制正在经历一次架构级转向——我把这两条路拆清楚。

---

两条路的本质：从「压缩」到「切换」

旧路（正被放弃）：Compaction —— 压缩

过去 Codex 和大多数 AI Agent 的处理方式：

上下文窗口占满

 ↓

自动压缩（Compaction）：模型把旧对话「挤成」一段摘要

 ↓

关键细节丢失，精炼后的摘要产生「失真」

 ↓

反复压缩 → 摘要越来越薄 → 任务偏离原始方向

问题是：压缩是不可逆的信息漏斗。输掉了上下文，模型开始忘记自己做到哪一步。 [citation:17.11]

新路（正在推进）：Token Budget + 窗口切换

这一轮改动的核心思想变了——不再试图把旧内容塞进同一窗口，而是换一个新窗口，把旧窗口当资料库查。

上下文窗口快满了

 ↓

模型通过 _context 工具知道剩余 token 预算

 ↓

模型主动决策：「这里不值得保留了，切新窗口」

 ↓

切窗前留下工作笔记（notes）：记录目标、进度、下一步

 ↓

新窗口启动，重新注入初始环境 + 权限 + 任务配置

 ↓

需要时通过 history 工具搜索旧窗口内容

 通过 notes 工具读取持久笔记

关键差异：旧内容是可检索的参考史料，而不是被压扁的废墟。 [citation:17.5][citation:17.11][citation:17.14]

---

两个关键 PR

| PR | 作用 |

|----|------|

| #27488 | 新增 _context 工具，供模型主动判断何时切换上下文窗口。不做摘要，直接开新窗口 |

| #39827 | 新增 history 和 notes 两个工具——history 可搜索旧窗口内容，notes 提供持久笔记能力（查询、追加、重写） |

[citation:17.5][citation:17.14]

---

但这只是「会话内记忆」的改造

51CTO 那篇文章拆得更深——Codex 的长期跨会话记忆（long-term memory）其实是另一套更复杂的两阶段流水线 [citation:17.6]：

长期记忆的完整路径

每一轮对话（rollout）

 ↓

┌─ 第一阶段：逐会话抽取 ──────────────────┐

│ 后台在会话空闲 >6h 后启动 │

│ 把 rollout 逐条发给抽取模型 │

│ 产出：rawmemory + rolloutsummary │

│ 结果只有三种：成功/没产出/失败 │

│ 并发控制靠数据库租约 + 退避重试 │

└─────────────────┬────────────────────────┘

 ↓

┌─ 第二阶段：全局合并（串行）──────────────┐

│ 先取全局租约锁（防两个进程冲突） │

│ 按使用次数 > 最近使用 > 新鲜度排序 │

│ 超出 maxunuseddays（默认30天）直接淘汰 │

│ 同步到磁盘（git 基线版本化） │

│ ↓ │

│ 有变化 → 调合并 agent 增量更新 MEMORY.md │

│ 无变化 → 跳过，零开销 │

└─────────────────┬────────────────────────┘

 ↓

 磁盘上的记忆目录（~/.codex/memories/）

 ├── MEMORY.md # 面向检索的手册

 ├── memory_summary.md # 注入未来会话的紧凑索引

 ├── raw_memories.md # 合并后的原始抽取

 ├── rollout_summaries/ # 每个被选中的 rollout 一份

 ├── skills/ # 学到的可复用流程

 └── extensions/ # 临时笔记（ad_hoc notes）

遗忘：不是一次删除，是七条独立路径

| 遗忘路径 | 机制 |

|---------|------|

| ① 改写为空即删除 | 同一 rollout 重抽后判定"没价值"→ 旧记录被删 |

| ② 掉出选择集 | 排名掉出 top-N 的摘要被剪掉 |

| ③ 合并时移除 | agent 只删失去证据的指引 |

| ④ 按时间剪枝 | 超 maxunuseddays 的失去资格 |

| ⑤ 扩展资源过期 | 临时资源文件超过保留窗口 |

| ⑥ 跟随线程删除 | 会话被删 → 挂在上面的记忆一并删除 |

| ⑦ 整体重置 | debug clear-memories 子命令 |

[citation:17.6]

---

一条使用回流——被用过的记忆活得更久

这是整套设计里唯一一条自我强化回路：

模型在回答中引用了某条记忆

 ↓

回复末尾附带引用块（文件路径 + 行号 + rollout UUID）

 ↓

运行时解析引用，累加该条目的使用次数 + 时间戳

 ↓

第二阶段排序优先选使用次数高的

 ↓

被用过的记忆活得更久 ✅

---

两条路的本质对比

| 维度 | 旧路（Compaction） | 新路（Token Budget + 切换） |

|------|:----------------:|:-------------------------:|

| 核心思想 | 把旧内容压进同一个窗口 | 换新窗口，旧窗口当资料库 |

| 是否丢失信息 | ✅ 压缩必丢 | ❌ 不压缩，完整保留 |

| 模型角色 | 被动等压缩 | 主动通过 _context 判断决策 |

| 记忆恢复 | 靠摘要 | 靠 history 搜索 + notes 读取 |

| 长期记忆 | 两阶段流水线（抽取 + 合并） | 同上（不变） |

| 适用场景 | 短任务还行 | 持续数小时的超长任务 ✅ |

---

和你之前话题的联系

你之前聊 SKILL「微创手术」 时说过：不是增能力，而是划边界。Codex 这次记忆改造也是同一个思路——不再试图把一切塞进同一个窗口（大拆大建），而是让模型知道边界在哪，什么时候该换页，怎么从旧页找回需要的东西。

而这个两阶段流水线的设计，和你聊的 RAG 的文档解析 pipeline 也有神似之处：先是逐文档细粒度抽取（召回），再合并去重构建索引（精排），中间有质量门槛和过期淘汰——只不过抽取和合并的对象从 PDF 换成了会话记录。