ARC Prize Research Summit：Alexis Fox 谈面向长程智能体的程序化记忆
ARC Prize 放出了 Alexis Fox 的演讲视频，讲怎么用程序化记忆让 Agent 在长任务里不掉链子，她团队还做过 ARC-AGI-3 的红队测试。做智能体的朋友可以直接抄作业，比泛泛谈记忆架构的干货多。
ARC Prize 在 Research Summit 上发布了 @alexisxfox 的分享，主题是面向长程智能体（long-horizon agents）的程序化记忆（programatic memory）。Alexis 和她的团队曾深度参与 ARC-AGI-3 的早期红队测试工作，并做出了关键贡献。这次分享把红队测试中积累的 Agent 记忆管理经验系统化地呈现出来。
分享的核心机制是程序化记忆：让智能体在多步、长时程的任务中不依赖单次上下文窗口，而是通过可编程的方式读写和调用记忆，从而在 ARC-AGI-3 这类需要长链推理与探索的基准上维持状态。红队测试经验显示，长程任务失败往往源于记忆与状态的丢失，而非推理能力不足。
对做智能体的开发者而言，程序化记忆是继上下文工程、检索增强之后的又一个可落地方向，可以直接借鉴到自己的 Agent 架构里。完整视频已在 X 上放出。
ARC Prize Research Summit - @alexisxfox
On programatic memory for long-horizon agents. Alexis and her team made key contributions to the early ARC-AGI-3 red teaming efforts. https://t.co/ERTzu4r7dS
本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：ARC Prize、ARC-AGI-3、智能体、记忆机制，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「ARC Prize」（@arcprize），经 AITOP 多维评分管线结构化提炼。
