Open ETF Agent v0.5 没有用“测试通过”证明完整长期记忆已经落地，而是把结论限定在保存、修订和遗忘三项显式操作。这个克制，比多贴一个 GitHub 链接更值得技术团队关注。

这是什么

这篇文章讨论的是“证据契约”：文章中的技术主张，必须能对应到具体版本、可运行入口和验证结果。Open ETF Agent 是用于分析交易所交易基金（ETF，一个在交易所买卖的指数或资产组合基金）的智能体项目，其 Memory 演示把记忆写入、召回与遗忘拆开检查。

关键做法是同时保留固定 Commit（不可变的代码快照）与当前 main（持续更新的主分支）。前者回答文章依据哪份代码，后者回答读者现在从哪里开始。测试也只能证明有限行为，例如遗忘后旧信息不再进入后续输入，不能顺手证明模型能准确识别所有值得保存的偏好。

行业怎么看

我们认为，这套方法抓住了 AI 工程传播中的核心缺口：演示成功、仓库存在与产品能力成立，是三件不同的事。对企业采购而言，“运行结果究竟证明了什么”也会成为筛选供应商的重要问题。

但风险同样明确。证据链会增加维护成本，相关代码、依赖或输入一变，旧验证结果就可能失效；按固定版本复现，还可能牺牲最新功能体验。更根本的是，自动检查适合验证明确状态变化，却很难覆盖“模型是否理解准确”“摘要是否可靠”等开放式判断。把范围写窄是一种诚实，也可能让项目看起来能力有限，而严格的版本管理还可能拖慢迭代。

对普通人的影响

对企业 IT：评估 AI 工具时，别只看演示和“已通过测试”，应追问对应版本、输入条件与实际产物；采购验收也应记录运行环境，防止更新后仍沿用旧结论。

对个人职场：阅读教程和评测时，固定代码快照通常比直接复制 main 更可靠。看到“自动学习”“长期记忆”等能力，最好确认它是否真由当前版本实现，而非借相邻功能说明。

对消费市场：应用宣称会记住用户偏好时，真正值得观察的是删除后是否真的停止调用旧数据。对普通用户而言，这类可核验承诺比智能程度口号更接近隐私与信任的实际改善。