标签
A-MEM是一个开源的智能体记忆系统，用于LLM智能体，它利用Zettelkasten原则动态组织记忆，通过ChromaDB索引，并支持OpenAI和Ollama后端。
EvoEmbedding是一种动态嵌入模型，它维护一个持续更新的潜在记忆，为长上下文检索生成自适应表示，性能优于更大的专业模型，并改进智能体工作流。
提出一种面向LLM代理中代理记忆的认知启发的多因素价值函数，通过学习可解释的权重来决定在记忆约束下编码、遗忘和检索什么。相比仅基于相似性或基于最近性的基线方法，显著提高了黄金证据的保留率。
来自多伦多大学和 Vector Institute 的研究人员提出了线段树记忆（SegTreeMem），这是一种面向长时域对话智能体的记忆架构，利用层次化线段树结构在在线构建和检索过程中保留时间顺序。在三个数据集上的实验表明，与不考虑时间顺序的树状基线相比，LLM 评判准确率提升了近 20%。
本文质疑将 BM25 与向量搜索结合 RRF 是否能提高智能体记忆检索的命中率，并暗示仅使用 BM25 可能就足够了。
MemPro 是一个系统级进化框架，它将记忆构建-检索管道视为一个可进化的程序，使用进化智能体（Evolving Agent）迭代诊断失败并创建改进版本。在长期任务基准上的实验表明，与静态和提示级基线相比，它在性能-成本权衡方面取得了持续改进。
MemGym是一个基准测试，用于评估LLM智能体在长时任务中的记忆形成，它统一了现有的智能体gym和合成流水线，并采用记忆隔离得分。它涵盖工具使用对话、多轮搜索、编码和计算机使用，并包含一个轻量级奖励模型（MemRM）以实现高效评估。
本文表明，使用LLM将过去的经验持续整合到文本记忆中会随着时间的推移降低记忆效用，并且保留原始情景轨迹优于强制整合，这对构建鲁棒的智能体记忆系统具有启示意义。
本文介绍了 MemoRepair，这是一种针对智能体记忆的屏障优先级联修复协议，旨在解决源数据变更时衍生工件过时的问题。实验表明，与穷举修复方法相比，MemoRepair 显著降低了失效记忆的暴露率和修复成本。