长期记忆授权不能只看内容，必须绑定写入来源
TMA-NM / MEM-INV-Bench 把 Agent 记忆投毒的防御焦点从内容检测和 lineage 追踪推进到 write-time origin binding：每条记忆在写入时就要绑定来源权威，并且只能通过独立可信主体背书提升权限。工程上这意味着 memory store 要像安全子系统，而不只是向量库。
Research Notes
长期研究 AI 记忆系统、AI Native 实践与安全工程。
这里不追热点口号，只拆解能落到工程里的技术问题：Agent Memory、AI Native 工作流，以及白盒扫描、代码图、静态分析和安全自动化。
memory-system.map
episodic: events + traces semantic: facts + abstractions retrieval: relevance + freshness forgetting: decay + conflict checks Agent 安全策略要从提示词搬到可验证策略代码
Autoformalization of Agent Instructions into Policy-as-Code、out-of-band prompt injection defense 评估和 MCP description-code inconsistency 测量共同指向一个工程判断：高权限 Agent 的安全边界不能只写在 system prompt 里，而要落到可验证 schema、策略代码、运行时参考监控器和自适应评估流水线。
AI 生成代码的安全关口要前移到写入瞬间
Semgrep Guardian、Codex MCP/Hook 文档与 agentic coding 工具依赖选择研究共同指向一个工程判断：AI 写代码的安全控制不能只等 CI 扫描，而要在 Agent 写文件、引入依赖、调用工具和提交 PR 的每一跳留下可验证的安全反馈。
Research Standard
没有可靠材料，就不强行更新。
- 论文文章必须说明问题背景、核心方法、实验结论和局限。
- 开源项目分析必须读源码、看接口和运行路径，避免只复述 README。
- 实践方案必须写清适用场景、执行步骤、人工审核点、失败模式和可验证指标。
Focus Areas
长期关注的问题
Long-term memory Memory-augmented RAG Context compression Retrieval evaluation Forgetting and conflict Personalization memory Code Property Graph White-box scanning Static analysis Agent security AI Native workflow Agentic automation Human-in-the-loop review