@heyshrutimishra: 记忆竞赛已经结束,判断竞赛尚未开始。今年我测试的每个代理都能记住我说过的话…
摘要
这条推文指出,尽管AI代理擅长回忆过去的互动,但由于缺乏明确信号,它们难以判断什么对用户重要,凸显了个人AI发展的一个关键局限。
记忆竞赛已经结束,判断竞赛尚未开始。
今年我测试的每个代理都能记住我说过的话。但没有一个能告诉我本周我说的400件事中哪件真正对我重要,因为这个信号主要存在于我从未输入的内容中。
存储变得便宜了,但建模一个人却没有。
在“个人AI”浪潮中,没有人愿意大声说出的那部分:一个足够好到知道什么对你重要的代理,也持有比以往任何应用都更亲密的你的模型。无论谁解决了判断问题,都会继承这个问题。
试试这里:
查看缓存全文
缓存时间: 2026/09/09 17:57
内存竞赛已经结束。判断力竞赛尚未开始。
我今年测试过的每个智能体都能记住我对它说过的话。却没人能辨别出这周我说的四百句话里哪些真正对我重要——因为这些重要性信号大多藏在我从未打字输入的内容里。
存储变得廉价。但模拟一个真实的人并未变简单。
在“个人AI”浪潮中,没人愿意大声承认的那件事:一个足够了解你之所在的智能体,同时也持有比以往任何应用都更亲密的你的数字镜像。谁解决了判断力问题,谁就必须同时面对这个悖论。
在此尝试:
相似文章
@hwchase17:记忆在过去约两年里一直是个热门话题,每次我们提及或涉足其中,都会引起极大兴趣,……
尽管兴趣持续,一条推文讨论了AI记忆集成的挑战,如应用特定性和在通用代理中的有限效用。
@rohanpaul_ai: AI记忆存在测量问题。 "多少上下文?" 告诉我们越来越少的信息。 重要的是代理记住什么……
本文探讨了AI记忆的测量问题,并指出MemoraX AI在首个Agent Memory Leaderboard商业产品中排名第一,强调了代理记忆系统的进步。
AI智能体拥有强大的记忆能力,但毫无记忆卫生可言。六个月后会是什么样?没人谈论这一点。
探讨了AI智能体中被忽视的记忆卫生问题——长期存储导致上下文过时且不可靠,并质疑行业是否在忽视一个即将到来的全球性问题。
@KakaluoteW45042: 现在,智能体的记忆系统都在重蹈数据工程的旧路:存储原始轨迹,定期……
作者批评当前AI智能体的记忆系统沿用旧的数据工程模式,强调了记忆中存在差距的风险,并主张在分层摘要之前使用可审计的原始轨迹。
@MSFTResearch: AI 智能体无法记住过去的对话。它们必须不断重新加载或检索上下文,随着任务变长和复杂,效率变得越来越低…
Memora 是一种为 AI 智能体设计的可扩展记忆系统,它将存储与检索分离,能够支持长周期任务,同时将上下文令牌减少多达 98%,并在基准测试上取得了新的最佳性能。该论文发表于 ICML 2026。