CUHK-Paper: Agenten-Markdown-Gedächtnis ist „Memos, kein echtes Gedächtnis"
Forschende der Chinese University of Hong Kong (Hangzhou) haben ein formales Paper (30. April 2026) veröffentlicht, das eine klare Trennlinie zwischen kontextbasierten Retrieval-Systemen (Skill-MDs, RAG-Stores, Scratchpads) und parametrischem, gewichtsbasiertem Lernen zieht. Ihr Theorem zur kompositionellen Stichprobenkomplexität zeigt: Retrieval setzt eine explizite Abdeckung aller Konzeptkombinationen voraus (kombinatorische Explosion), während Gewichtsupdates aus O(N) Beispielen generalisieren. Das „Frozen Novice"-Problem: Ohne sitzungsübergreifende Gewichtsupdates wird das Modell nie kompetenter. Zudem identifizieren die Autoren langfristigen Retrieval-Speicher als Vektor für Prompt-Injection-Persistenz.
Einordnung
Die Unterscheidung „Memos vs. Gedächtnis" liefert Praktikern einen präzisen Begriff für die architektonische Obergrenze rein retrieval-basierter Agenten-Gedächtnissysteme – und benennt kontinuierliches Fine-Tuning kleiner offener Modelle als einzigen Weg zu echter Akkumulation.