memory-framework

LifeMem是一个终身学习框架，它通过聚类交互轨迹来提取可复用技能，使LLM代理能够在多个环境中迁移知识，从而减少遗忘并提升跨任务迁移能力。

EM^2Mem 提出了一种事件中心的多模态记忆框架，该框架将异构证据绑定到事件锚点，为长视频问答提供紧凑、可生成的记忆，从而提高准确性并降低延迟。

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。

本文介绍了一种用于主动具身安全的Self-Evolving Just-In-Time Memory框架，结合了Risk-Sufficient Topological Belief Graph、Agency-Grounded Factual Memory和Experience Memory，以在不阻碍任务进展的情况下减轻危险。在IS-Bench上的实验显示Safe-Success率显著提升（例如，在Qwen3-VL-8B上提升30.3%）。

SelfMem提出了一种面向AI智能体的自优化记忆框架，使其能够通过记忆工具和反馈信号探索、评估和优化自身的记忆策略，在BEAM基准测试上，于大型对话规模下相较于基线方法取得了显著改进。

介绍DMF，一种用于对话式AI代理的确定性记忆框架，它用经典NLP和数学评分取代了基于LLM的压缩，实现了与Mem0相当的准确度，同时内存准备使用零token，总体token使用量减少高达242倍。

介绍了一个智能体记忆框架，包含三个组件：记住（热会话和跨会话存储）、引用（通过AGENTS.md进行权威排序）和遗忘（带时间戳的事实，采用Mem0风格的软衰减）。该框架认为，缺少其中任何一个都会导致使用过时的事实或未经授权的来源。

该文章介绍了开源的EverOS项目，它为Claude Code等AI编码助手提供长期记忆能力，自动保存对话历史并在新对话中检索记忆，此外还包含多个应用案例。

MemForest 提出了一种面向长上下文 LLM 智能体的记忆框架，通过并行块提取和分层时间索引来提高可扩展性并降低延迟，在基准测试中实现了 6 倍的吞吐量提升。

Echo-Forcing 提出了一种用于交互式长视频生成的场景记忆框架，利用分层时间记忆、场景召回帧和差异感知记忆衰减来处理提示切换和长期回忆。该方法无需训练，在 VBench-Long 上取得了强劲的性能。

介绍SimpleMem，一种面向LLM智能体的高效记忆框架，利用语义无损压缩提升准确率并降低token消耗，F1分数提升26.4%，推理时token使用量减少高达30倍。