记忆该存成什么粒度，合成评测集给了一个很干净的答案。换成真实聊天出的题，答案变了，过程中还查出了三个测量上的问题。
Autarkia 的长期记忆每晚跑一次：把当天的对话压成之后能检索的条目。这一版要重新决定的是「一条记忆该有多大」。候选有三种：A 是逐条消息各写一句摘要；B 是把对话切成段，每段写一条梗概；C 是原文本身保持可检索，再把每段拆成若干条原子事实。
01合成集上的答案
第一轮比较用的是我手写的合成集：10 个案例、90 条消息、20 道题、25 条标准事实，覆盖知识更新、时间推理、多会话、应拒答这些题型。结果很干净，端到端答对 A 13/20、B 17/20、C 19/20，换一个模型重跑，C 还是 19/20。我在记录里写下「候选形态 = C」，同时写了一句限制：合成集只有 20 道题，需要真实标注集复核。
真实标注集是从两条长期对话主线里出的 44 道题，题型和合成集一样，每道题都标了出处（会话和事件 ID），我自己逐题审过。这批题只放在本地，不进仓库。
02三个方案都是 15/44
第一次真实实跑，三个方案都是 15/44。最省事的读法是「粒度不重要」，然后去做别的。这个结果其实是无效的：提取用的是推理模型，思考 token 也算进 max_tokens，而我沿用了合成集的预算。C 方案 237 次调用里有 169 次正文为空，额度全烧在思考上了。三个方案都没拿到够用的额度，这一轮其实什么也没比出来。
回头查原型，又找到两处度量本身的问题，它们在合成集那一轮就已经在了：
- nDCG 在一条相关结果都没检到的时候返回 1.0。检索最差的情况拿到了满分，合成集报告里的 nDCG 因此偏高。
- C 方案解析失败的段被静默丢掉了，于是它的解析失败率永远是 0。
修完之后重新设了预算（A 1024、B 3072、C 4096），检索加了 BM25 与向量的混合排序，统计上每个比较都给 Wilson 区间和配对的精确 McNemar 检验。44 道题不多，不做检验的话，差两三道题很容易被读成结论。
03真题上的答案
结论换了。B 在 BM25 和混合检索下都是最好的：混合检索时 B 答对 27/44，A 14/44（p=0.002），C 20/44（p=0.039）。两组消融也指向同一个方向：只留原子事实是 15/44；把原文和梗概放进同一个池子里一起取 top-k，掉到 20/44，原文条目把梗概挤出去了。
为什么合成集会选 C，我只有解释，没有单独验证过：手写的案例里每个事实都被明确说过一次，原子事实和题目几乎一一对应，拆得越碎越好答。真实聊天里，一件事经常是散在好几轮里、带着前后语境、中途还被改口的；拆成原子事实会丢掉语境，原文又太多太碎，反而是一段一条梗概最接近题目要问的东西。
生产侧按 B 改：每段一条梗概，原文不再和梗概同池竞争，而是在梗概命中之后，按来源事件展开原文。混合检索放到后面一个阶段接入。
这次结论的边界也写清楚：44 道题，语料是抽样不是全量；答题统一由同一个模型完成；知识更新只答对 5/9，时间推理 3/8，这两类不管哪种粒度都还弱。
这次差点出事的是第一次真实实跑。三个 15/44 看着很像结论，当时要是信了，我会以为粒度无所谓，直接按合成集选的 C 上线。