LLM 驱动的代理正越来越多地在跨会话中持续运行，并通过交互累积记忆。然而，它们已经表现出未受约束的可塑性带来的典型症状：语义漂移、检索精度下降、存储错误的传播以及记忆容量饱和。基于选择主义的“振铃、共振与重正化”（RRR）睡眠模型，我们提出其三个阶段可以映射到数字记忆架构中可实现的操作。与此同时，构建有状态代理的工程师们也在独立地重新发现睡眠进化而来的问题：该忘记什么，何时忘记。从而得到可验证的预测：当记忆存储规模增大时，选择主义的巩固方式将优于指令主义的替代方案。核心论点涉及连续学习的本质：可塑性是有代价的，对于任何在有限容量下持续学习并与环境耦合的系统，这个代价就是睡眠。
点评: 该工作将生物睡眠机制与数字记忆管理相联系，为大规模 LLM 代理的长期可靠性提供了新视角。