标签
KV-LTM 提出将每个会话的原始文本与 KV 缓存持久化为个人助理的长期记忆层,通过恢复缓存会话并追加问题来回答,从而避免写入或读取时的信息损失,并给出存储开销的解析估算与评估协议。
一篇预印本针对策略撤销测试了五种智能体记忆系统(Graphiti、Zep、mem0、langmem、cognee),发现没有一种系统能可靠地阻止智能体检索已被替代的有害策略并据此采取行动;已撤销的记录有时仍排在检索结果首位,且超过40%的试验中出现了不安全行为。
FAIR at Meta 提出 Routed Continual Learning:将过往轨迹按簇划分、每个簇搭配固定记忆库中的一种记忆系统,并由 LLM 路由器决定复用或新建簇,在交错任务流上相对全局 ICL 历史提升 15–30% 归一化奖励并降低 65–72% API 成本。
论文引入了“记忆收益”与“记忆税”的框架,用以衡量专用智能体记忆系统相对于朴素RAG的净价值,发现许多记忆系统在多个基准测试中的表现反而不如直接检索。论文分析了记忆处理过程如何移除或遮蔽证据,并呼吁评估记忆的净价值,而非其单独的性能表现。
该论文提出"错误复现"(error reproduction)机制,指出在LLM智能体外部记忆中持久化抽象规则会循环放大错误,并提出Anti-Persistence记忆设计:仅累积轨迹与结果、按需临时合成指导,从而在多个基准上取得更高成功率与更低LLM调用成本。
一份关于 Astraea 的 17 天开发更新。Astraea 是一个实验性认知架构,本文涵盖对其 233 个 Python 文件的深度架构审计,以及对其情感时序、共享边界并发、AISS 事件系统和记忆/连续性处理的修复。
该论文提出了一个面向多模态智能体记忆的双轴分析框架:轴一关注多模态信息的形成与表示方式,轴二将记忆管理划分为静态记忆、动态记忆和自进化记忆三个层级,并总结了相关设计模式与未来研究方向。
Meta 的一篇新论文发现,相比使用单一的全局阈值,仅对有关用户价值观和信念的陈述采用更严格的置信度阈值,能让智能体记忆系统表现更好。针对价值观设置的门槛将已保存事实中缺乏依据的比例从 6.2% 降至 4.0%,同时对源文本关键事实的保留率提高了约 13 个百分点。
该论文研究了LLM智能体中的'记忆过度依赖'现象——即使记忆是良性的、正确存储且被恰当检索,部分证据迁移仍会误导推理。作者提出MemTrim框架,在写入时索引记忆证据、在读取时控制复用,无需重训即可减少过度依赖。
本文提出了GraphMemory,一种轻量级的基于图的记忆系统,将存储的知识与上下文解耦,每次查询仅检索相关的子图,从而实现Token高效的测试时持续学习,同时相比基线方法节省81–85%的记忆构建Token。
提出Analytical Memory Unit (AMU)方案,通过为AI代理共享记忆附加完整的数据派生血缘图,并按列级权限门控检索,实现隐私保护的企业级记忆治理,消除18.8-25.5%的跨部门数据泄露,同时保持81.5-82.6%的记忆复用率。
Garry Tan 宣布 GBrain 现已支持 Jev,在保持检索行为不变的同时,改进了记忆/梦境循环。
Mnemon 是一个记忆智能体,它将对话保留为带时间戳的原始记录,并将记忆工作拆分为两部分:由小型决策模型 Jev 执行的 System 1 快速判断,以及由 LLM 执行的 System 2 规划,在极低的 token 成本下取得了 SOTA 级别的 LoCoMo(91.7%)与 LongMemEval-S(94.4%)成绩。
MemLife 引入了一种面向长期第一人称视频的多模态记忆系统,它构建以实体为锚点的文本片段(text episodes),并通过基于时间索引的 agentic reader 进行检索。在长期时序基准测试中,其性能较免训练基线提升了 4.6%–12.0%。此外,名为 MemOpt 的强化学习框架进一步优化了记忆写入器的忠实性与可检索性,带来稳定 2.7%–5.0% 的性能提升。
这篇博客文章介绍了关于在 AI 中实现高效持续学习的多部分内容系列,探讨强化学习的替代方案以及在 Ramp Labs 使用 KV 缓存内存。
本文介绍了Memory of Memory (MoM),一个用于LLM代理记忆的框架,它在到达时提交当前值,同时保留被置换的值作为出处,从而提高准确性并减少陈旧的答案。
本文测量了AI代理如何污染其写入的存储,识别了错误传播的阈值,并使用合成和真实世界的Wikidata数据验证了发现。
这篇文章解释了AI智能体中世界模型的概念,强调了它们在跟踪演变状态和转变方面的作用,与上下文或记忆不同,并举了叙事世界模型用于长篇小说的例子。
本文探讨了Proyecto Chatty项目关于构建具有连续性的AI代理的研究,重点围绕模型周围的系统,包括上下文、记忆、工具和权限。
本文提出了一种面向长时AI智能体的层级架构,结合了层级、滴答和级联智能,以实现持续运行而无遗忘,并在十天的活动中进行了验证。