相机优先的 AI 代理必须在视觉世界实时展开行动。我们认为未来相机优先代理的核心障碍不是识别能力——多模态模型（包括视觉语言模型和实时流模型）通过语言能够很好地泛化，仍是语义推理的合适工具——而是时间。许多视觉目标是短暂的：它们出现、与查询相关、并在短窗口内消失。将记忆绑定到与推理相同的端到端路径意味着当单一流水线完成时，证据已经不复存在。我们将其形式化为 短暂目标交互 (ETI) 与 感知截止合同，将硬记忆截止与软推理截止分离，基于感官和工作记忆的有界被动特性。我们提出两截止架构：始终开启、受限、非语义的快速路径；一个主动记忆机制在记忆被覆盖前将瞬间写入持久记忆（v1 为事件驱动）；以及一个延迟推理层（多模态模型 + 工具）。我们在真实的 MOT17 轨迹窗口上实例化该合同，进行一致性检查，并根据测得的前沿模型延迟校准单路径基线：即使是简短回答也需要 1.2‑9.3 秒，代理式的识别与搜索更久。答案可以迟到，但证据不能错过。
点评