@rohanpaul_ai：AI智能体应将记忆视为不断变化的有效连接网络，而非静态存储。大多数智能体记忆系统…
摘要
该论文提出 FluxMem，一种将智能体记忆视为不断演化的图结构，通过动态修复连接和提炼技能来提升记忆效果的系统。实验显示其在多个任务上优于现有方法，例如在 LoCoMo 上达到 95.06% 准确率，并在 GAIA 上相比 Kimi K2 提升 12.73 分。
查看缓存全文
缓存时间: 2026/06/03 13:50
AI代理应将记忆视为不断变化的有用连接网络，而非静态存储。
大多数代理记忆系统检索旧信息的方式，仿佛过去就是一个个文件柜。
该论文提出FluxMem——一种将事实、过往任务片段和可复用技能作为图中相互连接的节点进行存储的记忆系统。
当代理执行任务时，FluxMem首先收集可能有用的记忆，然后利用任务反馈来修正记忆连接：通过添加缺失的链接、移除错误的链接，或以恰当的详细程度重写记忆。
随着时间推移，它还会将重复成功的任务路径转化为可复用的技能，这样代理就无需反复重建相同的推理模式。
作者在长对话记忆、网页导航和通用辅助任务上测试了FluxMem，以验证该理念在不同代理问题上的适用性。
FluxMem取得了优于对比记忆系统的效果，包括在LoCoMo上达到95.06的平均准确率，以及在GAIA上搭配Kimi K2使用时获得了12.73个百分点的提升。
关键在于，该论文将代理记忆从“存储与检索”转向了“持续修复和强化那些真正帮助代理行动的连接”。
链接 – arxiv.org/abs/2605.28773
标题：“Rethinking Memory as Continuously Evolving Connectivity”
相似文章
@omarsar0: // AutoMem // 我非常喜欢这个元记忆的概念。(标记一下) 这项来自斯坦福的新研究将智能体的记忆…
这篇斯坦福研究论文介绍了AutoMem，这是一个将智能体记忆管理视为可训练技能的框架。通过分别优化记忆结构和熟练度，AutoMem在长周期任务上将基础智能体性能提升了2到4倍，使得一个32B开源权重模型能够与Claude Opus 4.5和Gemini 3.1 Pro Thinking等前沿系统竞争。
@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。
@Pluvio9yte: https://x.com/Pluvio9yte/status/2070318502016426008
本文深入探讨了AI Agent的记忆架构，以Hermes四层记忆模型为例，分析了Claude Code记忆系统的局限性，并介绍了如何通过开源框架（如EverOS）为Agent增添本地记忆能力，提供了详细部署步骤。
@wquguru: https://x.com/wquguru/status/2069641926752780384
本文全面梳理了截至2026年中，AI Agent记忆（Memory）的完整架构分层，包括规则文件、常驻画像、历史召回和证据链，阐述了不同层次记忆的存储方式、加载时机和治理原则，强调记忆在帮助Agent实现跨会话复利工作中的关键作用。
@yibie: 推荐这篇，交大和清华的团队系统测评了 12 种 Agent 记忆系统。不是那种"我们的模型更好"的论文，而是从数据管理的角度拆解记忆系统怎么选——什么时候该用 RAG、什么时候该用向量数据库、什么时候该用知识图谱。 Agent 的长期记忆…
This paper from SJTU and Tsinghua systematically evaluates 12 agent memory systems from a data management perspective, decomposing memory into four modules and providing guidelines on when to use RAG, vector databases, or knowledge graphs for long-term agent memory.