AI智能体的持续自主运行正面临一个根本性挑战：如何在有限的上下文窗口内高效复用经验，同时不陷入“金鱼记忆”的困境。当前的模型依赖大模型参数规模来解决这一问题，但计算成本高昂且效率低下。素材中介绍的“预检工作记忆架构”提供了一条截然不同的路径——它不是优化模型本身，而是通过软件架构的巧妙设计，让智能体拥有“肌肉记忆”。

该架构的核心包含两个关键组件：预检阶段和看门狗机制。当查询到来时，系统不会立即调度模型，而是先执行一次“预检”——从磁盘上约90个索引化的技能库中，快速检索出与当前任务最相关的技能，然后仅将这些技能加载到上下文窗口。这种策略大幅减少了模型处理不必要信息的负载，尤其适合长周期或强调高响应速度的场景。

预检阶段调用的本地开源模型Ornith 35B（350亿参数，通过Ollama在Apple Silicon上运行）承担了约80%的常规任务，困难任务则被无缝路由至前沿模型。这种分层调度不仅降低了推理成本，还提升了任务完成的稳定性。更重要的是，看门狗组件记录每一次预检决策和技能调用，在夜间通过异步推理处理全天的任务轨迹，自动识别哪些技能需要新增、哪些可以固化。

例如，日历排期功能可以被转化为确定性Rust代码，从而从动态模型中剥离，变为系统级模块。这一自我改进循环使得智能体能在无需人工干预的情况下，持续优化其技能库。值得一提的是，素材指出昨天的看门狗首次未提出任何改进建议——这可能意味着系统已接近性能平台期，也可能暗示螺旋式上升的自我进化已达到阶段性的稳定。

从行业视角来看，这一架构具有深远意义。许多AI智能体目前仍依赖“大模型做一切”的范式，但内存和推理能力成为瓶颈。而预检+看门狗模式，实际上沿用了操作系统的惰性加载和缓存思路，是对智能体工程化部署的一次系统性升级。它表明，智能体不会无限依赖模型的规模扩张，而会更多地依赖软件架构的优化。

对开发者而言，这一架构有直接的可复制性：本地模型的选型、技能库的索引化、看门狗异步回放机制，都是相对成熟的工程方法论。未来，这类“主动记忆”设计可能成为AI智能体系统的标准组件，而不仅仅是前沿实验室的专利。智能体自我进化的终点不是更强的模型，而是更聪明的系统设计。