标签
EnSIMem是一种用于长期AI代理的实体结构化记忆架构，通过实体-属性索引将交互组织成事件，在基准测试中实现高召回准确率。
AutoViewMem是一个数据驱动的框架，它将长期对话记忆组织为自配置语义视图，以提升LLM代理的检索和个性化能力，并在基准测试中表现出色。
本文提出JustMem，一个通过平衡发现广度和读取保真度来适应长期对话的内存访问系统，用更少的令牌实现更高的准确性。
本文介绍了ReaLMem，这是首个使用真实个人档案评估AI长期多模态记忆的基准，并提出了ChronoProfiler，通过时间加权来提升AI伴侣的个性化能力。
本文提出将记忆建模为用户特定的动态状态空间，采用非均匀几何结构，以增强AI中的长期个性化，实现轨迹条件重构，从而提升记忆访问效率。
本文介绍了REALM，一个用于LLM代理长期记忆的框架，它利用检索驱动的再巩固来自主地将记忆组织成认知图，从而在长期记忆基准测试中取得更好的性能。
CueMem 是一个针对长期对话记忆的线索引导框架，它使用检索线索重建对话上下文，以提升在 LLM 驱动的代理中的性能。
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。
ROAM 引入了一种关系引导的框架，用于管理 AI 智能体中的原子记忆，通过语义分类和记忆融合，将回答准确率提高了高达 29.8 个百分点。
一位个人开发者使用markdown文件和本地索引为AI代理构建了一个本地长期记忆系统，实现了跨会话的持久记忆，并包括针对虚假记忆的测试，计划未来可能将其产品化。
MemoryLACE是一个为长期LLM代理设计的轻量级记忆框架，它显式建模文本证据的生命周期以改善推理能力，无需全面的知识图谱，并在基准测试中实现更高的性能和更低的运行时间。
本文讨论了 AI 代理记忆系统在数月生产使用后出现的故障，并征求社区在这些方面的经验。
Garry Tan 发布了针对gbrain的新评估。gbrain是一个面向AI代理的开源检索层，展示了在记忆读写方面的最新性能，且无需LLM-in-loop检索。
Ring Forcing 是一个自回归视频扩散框架，通过环形结构训练、历史压缩和稀疏旋转嵌入，增强长期记忆以实现精确的分钟级视频连贯性。
文章讨论了Pi长期记忆的复杂性，指出Pi原生偏向于管理会话和上下文，但社区有多种类似Hermes的记忆实现方案。推荐了四个项目用于实现AI代理的记忆功能。
本文介绍了MemUse，一个基准，它表明对话记忆的直接问答准确性不能预测用户满意度，而先前上下文的自然整合则可以，揭示了回忆与对话使用之间的巨大差距。
CABLE 是一种插件增强工具，通过构建互补基于前驱的链接来扩展 LLM 的记忆检索，以浮现隐含的支持证据，在多个系统的基准测试中评估显示平均分数更高。
ArborMem为大型语言模型引入了一个在线记忆框架，该框架将对话表示为可导航的交互状态森林，在记忆基准测试中超越基线，并推出了BranchMemEval作为新的诊断基准测试。
该研究比较了 MemoryLake，一个结构化内存后端，与其他系统在 MemoryArena 基准测试上的表现，发现它在部分任务中成功率更高，但并未在所有领域确立明显优势。