文本记忆与上下文压缩能够复用历史交互。通过调整连续记忆的大小，会改变输入到冻结的LLM，从而把容量分配与读取耦合。我们提出 Hard‑Origin Adaptively Softened Memory（HasMem），其中硬提示嵌入提供可验证的初始状态。控制器负责调节记忆宽度，Writer 对重新尺寸化的条目进行再编码，Reader 与 Global 实现读取适配并跨回合共享状态。实验在 Multi‑Session Chat 开发集的 535 条重构探测上，主配置在保持 $93.6\%$ 硬参考框架记忆位置的情况下，词汇 F1 达到 $95.3$（提升 $4.4$ 百分点）。在每题目标体积相近的条件下，六种配置的平均条目保留率在 $0.83\sim0.91$，相较基于规则的再编码提升 $8.0\sim23.6$ 个 EM 百分点。固定模型参数、规则目标宽度比 $0.75$ 时，Global 的 EM 增益在八组比较的 Bonferroni 校正配对检验中显著。对 500 条 LongMemEval‑S 评测，局部词汇 F1 从硬参考的 $3.4$ 上升至 $8.9$，答案负对数似然从 $12.257$ 降至 $5.274$。F1 的提升伴随两项评测的 EM 略降。
点评