长时程的代理交互会产生大量有价值但噪声较大的经验，重新训练模型以吸收这些经验成本高昂。因此，随着测试时计算资源的增加，上下文演化代理需要一种无需金标的记忆提取方法。我们提出 RefCon，它将顺序自我细化与并行自我对比相结合，在没有金标的情况下提取更高质量的记忆。\ \ 在 AppWorld 与 BFCL‑V3 两套基准以及多种上下文演化代理框架上进行评估，RefCon 相比不做规模扩展的基线实现了显著提升：在 ACE 上提升 21.6%，在 ReMe 上提升 16.6%。我们进一步推出关注多样性的变体 DivCon，在 ReasoningBank 上取得 35.5% 的增益。\ \ RefCon 始终优于现有无金标基线，并在模型规模和软件工程任务上保持良好泛化，甚至超越了使用金标的基线。我们还分析了准确率‑标记数的权衡以及扩展行为，结果表明 RefCon 在使用更多轨迹时仍能保持高效并继续提升，而仅依赖多样性的扩展方式会较早出现饱和。\ \ 点评：RefCon 通过自我细化与对比学习的双重机制，在无需人工标注的前提下显著提升了记忆质量和任务表现，展示了在大规模长时程交互场景中的实用价值。