模型升级是常规操作，但记忆迁移却少有关注。即使代理保留相同的记忆库，新模型也可能重新解释旧笔记，混合的嵌入版本会破坏检索，且在缺乏原始证据时修复可能失败。
本研究比较四种记忆表示方式：原始长上下文读取 (LC-RAW)、分块检索增强生成 (RAG)、模型压缩成自然语言笔记 (NOTES)、以及归一化为固定模式知识图 (KG-fixed)。
实验使用 48 条合成历史，随机生成答案码，采用精确评分，并在两个开源、参数少于 100 亿的模型上进行评估。
结果显示，固定模式结构的迁移极为可靠，KG-fixed 的准确率仅变化 $+0.0004 \pm 0.0020$。相反，压缩的 NOTES 与模型耦合度高，准确率在迁移方向上分别出现 $+9.91$ 或 $-13.28$ 百分点的非对称变化。
在 RAG 系统中，使用 50/50 混合嵌入索引仅带来 4.96 分的准确率提升，远低于完整重新嵌入所实现的 11.90 分增益。
诊断分解表明，NOTES 准确率缺口的 80% ($0.467 \pm 0.014$) 来源于构建阶段的信息丢失，而检索失败导致的 RAG 缺口占比 81% ($0.364 \pm 0.012$)。
仅对 NOTES 进行存储层修复在所有 48 个测试案例中均未达到 90% 的性能恢复目标；而保留原始源历史在一种迁移方向上成功恢复了 34/48 案例。
这些发现强调了针对迁移方向的专门测试、严格的嵌入空间隔离以及保留源历史以支持记忆修复的必要性。
点评