关于构建AI智能体高速记忆的重磅报告。如果你的智能体记忆层响应迟缓，这套设计方案值得一看。极佳的周末读物。该研究提出了一种受双系统认知模型启发的全新智能体记忆架构——Jev-Mem。这一架构能将智能体记忆构建速度提升6.6倍，将查询延迟降低36.7%，同时在LoCoMo基准测试中取得更优成绩。该系统采用轻量级控制器负责记忆决策：在存储时分配记忆类型与关联关系，在读取时处理路由调度、检索预算、图遍历、评分和终止判断。大语言模型仅在最终推理与答案生成时被调用。在LoCoMo测试中，该系统在LLM评估下获得0.777的总体得分，相对最强基线提升11.0%。记忆构建耗时158秒，平均查询延迟降至0.93秒。论文链接：https://academy.dair.ai/papers/jev-mem-system-one-controlled-agentic-memory-for-efficient-ai-agents-2609.23986…

Jev-Mem：面向高效AI智能体的系统一控制智能体记忆架构

来源：https://academy.dair.ai/papers/jev-mem-system-one-controlled-agentic-memory-for-efficient-ai-agents-2609.23986
智能体 · 记忆 · 推理论文讨论区 (https://academy.dair.ai/dashboard/paper-chat/jev-mem-system-one-controlled-agentic-memory-for-efficient-ai-agents-2609.23986)

首页

Jev-Mem：面向高效AI智能体的系统一控制智能体记忆架构

编辑点评

德克萨斯大学达拉斯分校的董明·江、李毅和李炳哲构建了Jev-Mem智能体记忆系统，该系统将记忆组织与检索控制权交给轻量级系统一控制器，仅在最终推理阶段调用大语言模型。

论文要点解析

关于本文的关键提问 核心要点01

三平面架构。系统一控制平面、结构化多关系记忆平面与系统二推理平面，将快速控制与慢速思辨相分离。

02

控制器功能。在构建阶段分配记忆类型与关联关系，在检索阶段处理查询路由、检索预算、图遍历、候选评分与自适应终止判断。

03

大语言模型脱离关键路径。系统二仅用于复杂推理与答案合成，记忆操作不再受限于自回归生成。

04

准确性表现。在LoCoMo测试中，LLM评估体系下总体得分0.777，相对最强基线提升11.0%。

05

效率指标。记忆构建耗时158秒，较当前最快系统提升6.6倍；平均查询延迟降低36.7%，达到0.93秒。

摘要智能体记忆对于长期运行的AI智能体正变得至关重要，但现有系统多依赖自回归大语言模型来控制记忆的组织、检索与使用，将昂贵的生成过程置于记忆操作的关键路径上。我们提出\textbf{\method}——一种受双系统认知模型启发的新型智能体记忆架构。系统一捕获快速轻量的决策过程，系统二则执行缓慢的思辨性推理。Jev-Mem通过专用的系统一控制平面、结构化多关系记忆平面与系统二推理平面实现了这种分工协作。系统一控制器在构建阶段管理记忆类型与关系组织，在检索阶段动态执行查询路由、检索预算分配、图遍历、候选评分与自适应终止判断。系统二仅在复杂推理与答案合成时被调用。此设计同时提升了记忆效能与系统效率：在LoCoMo测试中，Jev-Mem获得0.777的LLM-as-a-Judge总体评分，相对最强基线提升11.0%；同时将记忆构建时间压缩至158秒，较最快竞品系统提速6.6倍；平均查询延迟降至0.93秒，降幅达36.7%。