By Unbug 哈尔滨工业大学和苏州大学合作的一篇论文《Episodic-to-Semantic Consolidation Without Identity Drift》首次将记忆巩固形式化为不改变智能体身份的确定性函数——在持续积累知识的同时，通过身份哈希隔离语义知识层，实现字节级身份一致性。核心突破在于：传统方法将记忆巩固视为”改变智能体本身”的操作（微调模型、重写提示词、蒸馏策略），而本文提出巩固只是从情景记忆到语义知识的映射 f: M^ep -> M^sem，身份哈希不读取 M^sem，因此更新知识而不改变认证身份。
长期自适应智能体的结构性张力
长期运行的自适应智能体面临一个根本矛盾：知识巩固与信息完整性之间的冲突。在受监管的自主部署场景中（如具身服务、金融审计、医疗辅助），智能体运行于承诺和审计合约之下，其身份必须与特定密码学认证绑定。如果每次记忆更新都修改模型参数或提示词，审计追踪将断裂——你无法确定当前行为是否仍属于原始认证的智能体。
传统方法的问题在于它们都”改变智能体本身”：微调模型权重会覆盖原有能力；重写提示词会丢失历史上下文；蒸馏策略会将知识压缩为不可解释的黑盒；甚至将反思追加到上下文中也会改变推理路径。在需要审计合规的场景中，这些都是严重缺陷。
身份不变性的形式化保证
本文的核心创新是将巩固定义为确定性函数而非状态修改操作。具体而言：情景记忆 M^ep 通过函数 f 映射为语义知识 M^sem，输出作为独立寻址的数据库行存在，包含显式置信度和支持事件溯源信息；智能体的身份标识由身份哈希 H_id 计算，其输入仅包含原始模型参数和初始提示词，不读取 M^sem。
这一设计的结构引理证明：在巩固过程中，身份哈希的输入集合保持不变——无论积累多少语义知识，H_id(M_0) 始终等于 H_id(M_t)。实验验证了字节级身份一致性（byte-equal identity），即跨所有巩固轮次身份哈希完全相同。同时，规划器的无效尝试率减少了79.82%（95% BCa置信区间[78.02%, 81.49%]，10次种子），表明知识积累确实提升了推理效率而非引入噪声。
与已发布文章的差异化
本文聚焦记忆巩固机制中的身份不变性保证，这是一个全新的研究维度。与#73 Agent记忆遗忘架构（如何忘记）形成互补——本文回答”如何记住而不改变身份”；与#89 OpenAgent（开放世界泛化脆弱性）不同，本文关注长期运行中的知识积累而非工具使用泛化；与#90 SkillCoach（自进化评分框架）的区别在于，SkillCoach评估技能使用的过程质量，而本文解决的是知识积累过程中的身份审计问题。
随着AI Agent在金融、医疗、法律等受监管领域的自主部署需求增长，”巩固而不漂移”将成为关键基础设施——智能体需要在持续学习的同时保持密码学认证的身份一致性，确保每一次行为都可追溯至原始认证实体。
