我给智能体的手赋予记忆：新应用首次运行 110 秒 / 9 次调用，第二次运行 59.9 秒 / 4 次调用 — 无需 API，直接操作运行中的应用

每个操作真实软件的代理在每次运行时都从零开始：重新找到搜索框，重新阅读相同的千个可访问性节点，再次向模型询问‘我该在哪里输入？’。弄清楚应用的工作每次都在做，但什么都没保存。 我正是为这个层构建了持久性，并在真实任务上测量了差异（Telegram Desktop：按名称打开聊天，粘贴 1.4 KB，读回）：首次运行 — 110 秒，9 次代理-工具往返第二次运行 — 59.9 秒，4 次往返 让第二次运行更便宜的不是模型 — 而是应用词典现在知道的两件事：搜索框不是编辑器（所以在那里按回车是导航，而不是发送），以及编辑器的名称（所以不需要寻找）。 似乎有效的结构是四个层加一个门： - 窗口的实时映射（随窗口消失，故意不存储） - 其变化的流（这样代理无需重新阅读映射来查看自身动作的结果） - 持久的应用词典，按应用和版本索引（新布局重新学习而不是说谎） - 可重放的操作路径（‘打开聊天与NAME’）可以诚实地失败并回退一层 - 一切之下的同意门：发送/提交/应用停止直到人类说可以，没有路径可以绕过它 三件事故意从不持久化：实时句柄（任何重新渲染后过时），人的数据（技能知道表单如何工作，而不是写了什么），以及权限（没有路径记住‘可以’）。好奇其他人如何处理UI结构的跨会话记忆 — 我在野外看到的一切每次运行都重新阅读世界。