8 月 6 日（北京时间）傍晚，arXiv 上挂出一篇相当反潮流的论文：Activity Frames: Compiling Deterministic Pipelines for Agent Memory from Screen Activity，作者是独立研究者 Nossa Iyamu。同一篇也登上了 HuggingFace Daily Papers 的社区热门。
论文要解决的具体问题是：现在大伙给 Agent 做长期 context 的主流办法是「拿 LLM 写摘要」——今天屏幕发生了什么、用户做了哪些事，丢给 LLM 总结成一段文字塞进 prompt。这个方法有两个明显的毛病：摘要不可缓存（同一天同一个窗口重跑一次文字可能不一样）、不可审计（用户想知道 Agent 到底看到了什么，只能重放原始日志）、不可重现。
Iyamu 的应对是把整个管线变成零模型 + 确定性——屏幕上每发生一次切换（窗口焦点变化、URL 跳转、滚动事件），都被一组规则打成「事件帧」。再通过三个常量参数（dwell 90s / session gap 300s / flicker merge 20s）合并成「活动帧（Activity Frame）」。最后用一个 R 树索引结构把 24 小时内的所有帧存成一段字节一致的二进制块。
数字很值得展开：
– 86× 压缩：在作者自己 51 个活跃天的语料（128,756 帧）上，把一整天的原始捕获压成 86 倍小的 prompt 块。论文自己承认这个压缩比主要来自「去掉重复像素 + 把时间窗口合并」两件事，跟 LLM 摘要比意义不大——LLM 摘要本来也不存原始像素。 – 68 毫秒编译：把一天的 128,756 帧跑完整个管线用 68ms。这是「确定性 + 零模型」最直接的好处——可以热缓存、可以离线重算、可以放进 CI。 – 98.4% 问答准确率：这个数字需要小心看。实验设置是作者自己设计的 QA 任务（基于 51 天屏幕日志出 100 道题），Agent 拿到「压缩后的活动帧」和「原始日志」分别回答，对照标准答案的 accuracy。基线是 LLM 摘要（用 GPT-4o 生成当天的活动总结），数字是 66-80%。换句话说，在作者自己构造的 QA 数据集上，确定性压缩完胜 LLM 摘要。但这个结论的边界很窄。
跟 OpenAI 的 Operator、Anthropic 的 Computer Use、苹果的 ScreenKit 这些「用 LLM 看屏幕」的路线不一样，Activity Frames 的逻辑是根本不让 LLM 看屏幕——LLM 只读最后编译出来的活动帧。好处是 LLM 那部分成本和延迟几乎为零，坏处是这套管线对「屏幕上发生了什么」的建模是 hand-crafted 的，作者承认它对视频帧、音频、跨窗口拖拽这些场景覆盖有限。
值得说的一点是论文里给了一个「可缓存性」的形式化证明——只要当天事件序列不变，活动帧的字节输出就字节一致（byte-identical）。这听起来像废话，但对 LLM 摘要来说这件事不成立。把它做成可缓存，意味着同一份活动帧可以给多个 Agent 共用、可以持久化、可以做差分更新。
作者同步开源了实现：activity-frames 在 GitHub（https://github.com/nossa-iyamu/activity-frames ），Python 包同名，已发 PyPI（0.1.0 版，2026-08-06 上线）。代码、CLI、compile.py 都齐，作者在自述文章里也披露了「55 天自用 vs 论文写 51 天」的差异并解释了原因（最后几天整理期未纳入统计窗口）。
来源： – arXiv abs：https://arxiv.org/abs/2608.05784 – arXiv HTML 全文：https://arxiv.org/html/2608.05784 – GitHub 仓库（实现 + 数据样例）：https://github.com/nossa-iyamu/activity-frames – PyPI 包：https://pypi.org/project/activity-frames/ – 作者自述文章（passions.com）：https://www.passions.com/@nossa/55-days-of-screen-memory – HuggingFace Daily Papers 社区热门：https://huggingface.co/papers/2608.05784
判断：这是给 Agent 长期 context 工程「去 AI 化」的一个样本。论文的核心论点不是「LLM 摘要不够好」，而是「某些任务根本不需要 LLM 介入」——把屏幕活动编译成 Agent 记忆这件事完全可以由确定性管线完成，省下来的 LLM 调用成本和延迟可观。但作者自己承认，QA 任务范围窄、n=1 个体、可推广性受限。
限制： – 评测数据集由作者自己构造，100 道题覆盖的应用场景有限 – 没与当前 SOTA 的 RAG / 长 context 方案做对比（如 MemGPT、Letta、Anthropic Context Retrieval） – 仅单人单设备；多设备同步、跨设备 dedup 没讨论 – 三个常量（dwell / session gap / flicker merge）硬编码，跨人/跨应用的可推广性未知 – 屏幕内容的语义理解（屏幕说了什么、做了什么决策）仍需 LLM；Activity Frames 只解决了「活动流」一维，缺「内容流」 – 隐私：本地化是默认选项，但论文未讨论端云协同场景下的边界 – 与 Apple Intelligence 的「screen-aware」隐私机制、OpenAI Operator 的安全边界没做横向对比
如果这条路线被验证下来，对 Agent 框架层的影响是：长期记忆从「vector store + LLM summarization」二元结构，可能演化成「deterministic frame + selective LLM enrichment」三元结构。MemGPT 这类项目的位置会变得微妙。