大多数记忆演示只测一件事：回忆。问一个存过的知识点，答上来，宣布成功。可真实项目里，智能体的记忆不是栽在回忆上，而是栽在事实被替换、两条记录互相矛盾、诚实的答案本该是 " 记录里没有 "、以及问题里塞进一个已经作废的前提。

所以 Strata 做完之后，没有做演示，而是做了一次考试。Strata 是给 AI 编程智能体搭的知识系统，从 " 证伪优先 " 的研究平台 Aetherius 提炼而来：Git 仓库里 113 个纯 Markdown 文件，一个分 14 类的类型化存储，每条记录都带状态（已定、假设、已证伪）、来源，以及两个日期——它何时成为事实，与它何时被记录。底层沿用 Andrej Karpathy（安德烈 · 卡帕西）的 LLM Wiki 模式，免费、在工具包和整个系列中署名；上面那层是治理：证伪条目的埋葬、带失效扫描的依赖链接、双时间条目，以及可编译成 Agent Skills 的流程。

考试没有跑在手工调好的演示库上，而是按买家拿到手的流程走了一遍：

按工具包原样拉取；

用它自带的快速开始装进一个全新项目，不走捷径，不靠熟悉度打折；

按正常循环归档条目（简报、工作、归档、合并）；

替换掉一条假设，跑失效扫描——唯一依赖那个已死前提的条目被标记为待复核；

开一个全新的智能体会话，不带任何上下文，让它对着存储跑系统自带的 8 题自测。

全新会话这一点很关键。一个系统如果只有在写下条目的那段对话里才能答对，测的是模型的上下文窗口，不是存储本身。

8 道题分别考 8 种行为：

回忆——取出一条已定事实并据此作答；

更新——回答被替换过的事实的最新版本，而不是被埋葬的原版；

时间——以某个过去日期为准作答，用有效期覆盖该日期的条目；

多跳——串起两条记录：一个结论加上它所依赖的前提；

矛盾——两条记录不一致，正确做法是连同双方的来源一起摆出矛盾，而不是取平均揉成一个自信的混合答案；

溯源——说出某个说法从哪来，依据条目记录的来源，而不是依据它听起来像不像；

弃答陷阱——问题在存储里没有答案，正确答案是 " 未记录 "，编一个看似合理的答案正是这道题要抓的失败；

假前提陷阱——问题建立在一个已被替换的假设上，正确做法是先纠正前提，再回答能回答的部分。

结果：全新会话拿到 8/8，两个陷阱都处理了——存储沉默的地方它选择弃答，已死的前提它先标出来，而不是顺着往下推。

限制也要用同样大的字号写出来。作答的智能体和搭建、归档这个测试库的是同一类模型；示例库是精心整理的，不是一整年杂乱的生产残留；测试设计里还有更难的探针，编号 B2 – B4，这次没有跑。8/8 是在有利条件下、对已实施的那场考试的一次通过。之所以报告它，是因为机制演示比一句断言更值钱——同时把条件标清楚，方便你自行打折。

这也是为什么这个系列的最后一句话不是测试，而是你的测试。Strata 的免费样本是 Remember 核心：29 个文件，四个核心类别及其模板、包含完整替换链的 Ledgerline 示例，以及一套 5 题迷你自测，可以在你自己的仓库里对着你自己的智能体跑，答案一并附上。重点看那道弃答题——记录沉默时你的智能体做什么，比任何回忆演示都更能说明它记忆的真实状态。

完整版为累积式、一次性付费：Foundation（Remember）14.99 美元，Knowledge Layer（Trust）29.99 美元，Complete（Act）44.99 美元，支持补差价升级，14 天内一封邮件即可全额退款。

失败是下一步该造什么的规格说明——这套系统整个理念就来自这里。