标签
文章描述了一个实验，比较了Jev和Luna在AI代理中的记忆筛选，发现在准确性和回忆率方面存在权衡，同时强调了对设计记忆系统的启示。
KVMEM通过保留旧的KV缓存状态来增强AI代理内存，在长期运行的代理中，与压缩方法相比，提高了任务性能和效率。
来自@omarsar0的推文建议关注智能体记忆检索，并宣布了Agent Memory Challenge 2026 Cycle 2的开启，该挑战通过编码和文本轨道评估AI智能体的记忆能力。
Beacon是一个开源的AI编码代理记忆层，使用Jev评估代理运行，并将有用的工作流程、纠正和调试模式转化为跨多个工具的可重用技能。
文章讨论了AI智能体中的持久技能，如SentientAGI的EvoSkill v2所实现的，如何通过充当可执行状态来改变未来行为，从而需要类似于代码的版本控制和测试以防止故障模式。
本文描述了使用 Perdure 的一个实验，该工具将 AI 代理的决策记录为 Markdown 文件，以实现代理间的无缝集成和交接，并具有验证和代码检查功能。
本文介绍了一种配对历史审计方法，用于评估AI记忆系统中上下文压缩的更新充分性，揭示了记忆现在回答正确但无法处理未来更新的故障。
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。
Zilliz 的首席技术官 James 介绍了 Vector Lakebase，以及 One Data 和 One Index 的概念，旨在统一 AI 工作负载的数据和索引管理，通过利用湖原生存储改变智能体检索信息的方式。
本文详细描述了一项为期25周的AI智能体记忆系统实验，该系统采用情景记忆和语义记忆，并进行每夜整合，避免在记忆晋升过程中使用LLM，并使用四张独立的图分别表示关联、证据、因果和随时间变化，同时突出了如吸引子盆地等会降低检索效率的缺陷。
本文介绍了环境探测式策展，以提升企业代理的持久记忆，在CLBench和APEX等基准测试中显示出任务性能和成本降低的显著收益。
本文探讨了智能体记忆如何将向量搜索转变为长期存在的系统问题，强调了需要超越搜索算法的可扩展、可靠的基础设施。
LinkedIn的一篇论文揭示，智能体记忆在模型更换时并非自动可移植，固定结构记忆比自由格式笔记更稳定，并强调了在升级过程中进行记忆兼容性测试的必要性。
文章解释了为什么知识图谱在AI系统的记忆存储中优于平面列表，因为它们能有效处理对同一实体的多个引用，并防止搜索结果的碎片化或矛盾。
本文提出了一种基于Markdown的AI代理记忆系统，该系统使用简单的文件存储和编辑规则，性能超越复杂的内存运行时，确保准确且有来源的事实检索。
EdgeMem提出一种无LLM的方法，用于智能体记忆的构建与检索，采用多锚点超图，保留证据以提高基于记忆的问答性能。
SkillGLoW 表明，自我改进的智能体通过存储可复用的任务解决流程，而非记忆每一个过往任务，实现了更优的性能，获得了 17.2 分的提升，且库体积仅为原来的 1/3.6。
作者介绍了memfmt，一种用于智能体记忆的格式与库，可追踪各步骤的成功与失败，解决互操作性问题，并为智能体从其流程中学习提供途径。
这篇文章质疑了像Mem0和Zep这样的记忆API基准测试分数的可靠性，指出在LoCoMo基准测试中，自报数据与第三方数据存在显著差异，暗示这些指标可能更多是营销手段而非准确比较。
Funes 是一个为编码代理设计的持久记忆层，它允许回忆过去的会话痕迹，本地运行并与 Hugging Face 数据集集成。