2025年下半年起，头部厂商密集推出具备长期记忆能力的AI Agent框架，记忆功能正从“可选功能”快速演变为“核心基础设施”_服务软件

1. 首发 | 陈天桥盛大团队，推出最强开源记忆系统EverMemOS

2. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

3. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

4. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

5. 红熊AI获 5500 万融资：补大模型 “失忆” 短板，AI 记忆科学撑起5亿估值

6. 为什么鸿蒙座舱5可以把交代的事办得干净利落？看完MoLA智能化架构后我懂了

7. Agent 真正的护城河，正在从工具转向记忆资产

8. 谷歌最新研究推出了Titans架构与MIRAS理论框架，革新了AI长时记忆能力。传统Transformer虽然引入了注意力机制，但随着序列变长计算成本激增，难以处理超长文本或基因组数据。此前Efficient RNN和状态空间模型虽能线性扩展，却因固定大小记忆压缩丢失丰富信息。 Titans结合了RNN的速度与Transformer的精度，开启了“测试时记忆”能力——模型在运行中实时学习和更新参数，无需离线重训。其创新在于用深层多层感知机作为长时记忆模块，远超传统RNN固定向量的表达力，不仅存储信息更是理解和总结文本全貌。核心机制“惊喜度”衡量输入与记忆预期差异，低惊喜跳过，保持效率，高惊喜则优先永久记忆，类似人类更记得突发事件。Titans还引入动量机制捕捉上下文连续性和自适应遗忘门控，平衡信息更新与存储，保证性能稳定。 MIRAS理论统一了各种序列模型设计，定义了记忆结构、注意偏向、遗忘调节与记忆算法四大要素，突破传统均方误差限制，探索更丰富的非欧几里得目标和正则化。基于此，衍生出YAAD（鲁棒抗噪）、MONETA（严格数学范数）、MEMORA（概率映射稳定性）等无注意力新模型，进一步提升记忆稳健性和泛化能力。实验表明，Titans及MIRAS变体在语言建模、零样本推理、基因组和时间序列预测等多任务中均优于Transformer++、Mamba-2等先进模型，且具备高效并行训练和线性推理速度。特别是在BABILong长上下文推理测试中，Titans超越包括GPT-4的大型模型，并能扩展至超过200万token的上下文窗口。这项工作不仅突破了长序列建模瓶颈，也揭示了在线优化与联想记忆的深层联系，为AI长时记忆和实时适应打开新纪元。未来，结合深度记忆神经网络与非欧几里得优化，AI将在超长文本理解、复杂推理等领域实现质的飞跃。原文：research.google/blog/titans-miras-helping-ai-have-long-term-memory/

9. 【当AI学会管理自己的记忆：递归语言模型如何终结"上下文腐烂"难题】Prime Intellect发布了递归语言模型(RLM)，一种全新的推理策略，让AI不再被动接受冗长的提示词，而是主动将其视为可操作的动态环境。传统大模型有个致命软肋：上下文窗口越长，信息丢失越严重，业内称之为"上下文腐烂"。你给模型塞进去100页文档，它可能只记得开头和结尾，中间的关键信息早已模糊。RLM的解法很巧妙——它把输入数据当作Python变量来处理，模型自己决定检查哪些片段、拆分哪些任务、递归调用哪些子模块，整个过程在一个持久化的Python REPL环境中完成。几个核心突破值得关注：第一是"上下文折叠"。不同于传统RAG那种先总结再检索的套路（总结必然丢信息），RLM让模型主动把特定任务委派给子模型和Python脚本处理，信息完整性得以保留。第二是效率惊人。测试显示，用RLM包装的GPT-5-mini在长上下文任务上击败了标准GPT-5，而主上下文token消耗不到后者的五分之一。这意味着什么？小模型加上好策略，可以干掉大模型的暴力堆参数。第三是长程任务的连贯性。通过强化学习让模型端到端管理自己的上下文，系统能在跨越数周甚至数月的任务中保持思路清晰。这对真正的AI Agent至关重要——你不可能指望一个每隔几分钟就"失忆"的助手帮你完成复杂项目。同步发布的INTELLECT-3是一个1060亿参数的MoE模型（120亿激活参数），在Prime Intellect的完整强化学习栈上训练，性能对标闭源前沿模型，但完全开源开放权重。社区讨论中有个问题很尖锐：这和OpenAI、Anthropic现有的上下文管理方案有什么本质区别？答案在于层级不同。现有方案大多是外部编排，是"绕过"问题；RLM则把上下文管理内化为模型推理循环和训练目标的一部分，是"解决"问题。当任务需要持续运行数天甚至数周时，这个区别就会显现出来。有人评论说这个思路"显而易见到奇怪为什么不是默认做法"。确实，人脑处理短期记忆和规划任务时，本质上就是这么运作的——选择性关注、分块处理、递归调用。但"显而易见"和"能做好"之间往往隔着五年的工程积累，就像推理能力的研究2019年就有了，真正爆发要等到o1。更深一层看，这触及了一个根本问题：如果你想造出超越人类的智能，或许应该从无限递归上下文开始，因为这正是人类认知的运作方式。一个被冻结在时间中的大脑不可能真正学习或理解任何东西。迄今为止发布的每一个大模型，要么被冻结在时间中，要么在上线后不久就因为上下文问题而崩溃。当模型能够程序化地"窥视和检索"自己的提示词时，暴力扩展上下文窗口的路线是否已经过时？这个问题的答案，可能决定着下一代AI架构的走向。reddit.com/r/singularity/comments/1q1vcvf/prime_intellect_unveils_recursive_language_models

10. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

11. Clawdbot 如何搭建永久记忆管理系统：全靠 MD 文档

12. 刚刚，梁文锋署名开源「记忆」模块，DeepSeek V4更细节了

13. 【 OPPO ColorOS 16 评测：如果 AI 有记忆？】OPPO Find X9 系列上搭载的 ColorOS 16 系统有许多更新环节，包括全新的 UI 系统界面，全新的 MacBook 投屏支持，但这一次最有趣的其实是 AI。OPPO 让自己的 AI 体系加入了对用户的记忆，让 AI 理解用户，了解用户。那么 AI 有记忆之后会给用户的生活带来怎样的变化呢？一起来看视频。钟文泽的微博视频

14. 陈天桥的AI布局再下一子，推出最强AI长记忆操作系统 | 巴伦精选

15. EMNLP 2025 | CARE：无需外部工具，让大模型原生检索增强推理实现上下文高保真

16. 【AI前沿】Meta 揭示AI推理核心痛点：“行为记忆”让小模型也能高效解题，颠覆现有范式

17. Claude Code开始失忆了？两大记忆神器帮你选

18. 刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习

19. 刚刚，Claude实现「永久记忆」！官方还没上线，大神已玩疯

20. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

21. 本周 AI 项目推荐｜Mem0, Memories.ai......AI 记忆大爆炸

22. 扎克伯格的豪赌初见成效？Meta新方法让LLM长上下文处理提速30倍

23. 「Github一周热点95期」META 3D 模型、智能体记忆引擎、向量数据库、 Web 3D 引擎、AirPods 跨平台、数据库管理工具

24. Anthropic一夜震撼升级：Claude获得「永久记忆」！全球打工人变天

25. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

26. AI智能体之所以强大，核心在于它们的“记忆系统”。没有记忆，智能体只能盲目行动，无法学习和适应。记忆让它们能够跨时推理、优化决策，真正实现智能。短期记忆（工作记忆）负责暂时存储任务相关信息，帮助智能体追踪当前用户问题、对话上下文和任务中间步骤，从而做出连贯且有针对性的回应。长期记忆则保存跨任务的知识与经验，积累事实和规律，使智能体随着时间变得更高效、更准确。情景记忆像人类的经历记录，存储状态、行为、结果和奖励，助力强化学习中识别哪些行为带来成功或失败。语义记忆包含结构化的世界知识——概念、规则、语言和领域信息，支持智能体推理和理解新信息。检索机制根据上下文、关键词或相似度精准调用所需记忆，避免信息混乱和过时。记忆还支持多步规划，智能体能记住子目标、进展和障碍，提升长远策略，而非仅解决眼前问题。多任务环境中，智能体为每个任务维护独立记忆，防止任务混淆，提升切换效率，并跟踪用户偏好。强化学习中的经验回放机制，通过反复利用历史经验，稳定训练过程，避免重复错误。记忆系统是动态演进的，智能体通过反馈、奖励和新交互不断更新，持续优化表现。记忆不仅是AI智能体的“知识库”，更是其“成长引擎”。理解短期、长期、情景和语义记忆的区别与协作，是构建高效智能体的关键。未来，记忆与检索机制的进步，将推动AI从“会思考”向“会记忆、会学习、会进化”迈进。原文：x.com/e_opore/status/1994331859661000712

27. AI学会“科学交接班”，解决上下文难题——Anthropic智能（牛马）方法论

28. 如何评价DeepSeek发布梁文锋署名论文，提出「条件记忆」及Engram记忆检索架构？有哪些亮点？

29. 1. 如果你想要AI记忆一些事情，你告诉它，它会形成长期记忆，2. 同时在我跟它的交流里，推断“我在做什么行业，我的风格是什么样子的”，3.当记忆产生，我跟AI之间本质上在建立一种长期“理解成本极低的关系”，这有点儿“私人助手”的味儿了。记忆这种东西，我感觉会让一些AI像iOS一样，当你放弃它选择安卓时，你会有很多顾虑。它比别的AI更懂我，这就是护城河了。

30. 在构建面向大语言模型（LLM）的长期记忆系统时，如何实现高效、可扩展的知识图谱存储与语义检索？Memento MCP 提供了一套完整解决方案。这是一个基于 Neo4j 的知识图谱记忆系统，支持实体与关系的版本管理、时间感知和置信度衰减，结合向量嵌入实现高质量的语义搜索。它兼容支持 Model Context Protocol 的 LLM 客户端，如 Claude Desktop、Cursor 等，能够为对话模型提供持久、上下文丰富的本体记忆。主要功能包括：- 实体和关系的完全版本历史追踪，支持任意时间点的图谱状态查询；- 结合向量搜索和关键词检索的混合语义搜索，提升查询准确度和覆盖率；- 关系强度与置信度动态衰减，保证记忆信息的时效性与可靠性；- 丰富的元数据支持，包括来源、标签和时间戳，方便分类与过滤；- 多平台兼容，支持通过 Neo4j Desktop 或 Docker 快速部署；- 提供命令行工具简化数据库管理与调试。适合需要构建智能助理、对话系统或知识管理应用的开发者使用。详细文档和源码请访问：GitHub：github.com/gannonh/memento-mcp可通过简单配置，即刻为你的 LLM 应用注入强大且灵活的知识图谱记忆能力。

31. 奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识

32. 【满血版固件就位？日产N7城市记忆领航挑战实测】#东风日产N7# 第二次大版本OTA，预计将于10月中下旬进行推送。这次推送最重要的升级就是全新1.3.0系统，为用户带来记忆领航辅助驾驶和记忆泊车辅助等功能，今天我们就在苏州进行90分钟，一刀未剪的道路实测。90分钟的城市记忆领航辅助驾驶共出现9次主动绕行、3次需要驾驶员踩油门提速，有3次驾驶员主动接管，5次车辆提示接管，整体的表现还算不错。日产N7可以做到主动绕行龟速、静止车辆；出主路时，右侧有车辆要并入主路，日产N7在向左轻打方向盘后加速通过；面对老城区路边机动车和侵入车道的非机动车，N7会在对向车道无车的情况下约过黄线绕行；修路2车道人机混合路段，N7也会在确保安全的前提下越线超车。不过我们也遇到了绕行右侧停放车辆时，左侧车辆经过日产N7自动刹停，需要驾驶员踩油门后提速绕行；左转堵塞，绿灯转红灯后日产N7退出辅助驾驶，手动介入后左转成功；面对突然横穿马路的非机动车，日产N7也会退出最高级的辅助驾驶。但瑕不掩瑜，N7这次OTA后的智驾表现还是相当令人满意的！#和N7一起告别通勤焦虑# 春卷的微博视频

33. AI Agent 的“进化之路”：从研究原型到生产级记忆系统，技术趋势与产品对比

34. RL 和 Memory 驱动的 Personal Agent，实测 Macaron AI

35. 超越传统 RAG：知识图谱如何增强 AI 的记忆与推理能力

36. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

37. 能否使用RAG技术来解决大模型的长期记忆问题？

38. GPT周报｜火山引擎发布主打长期记忆的智能体；腾讯发布3D生成模型工具；DeepSeek登上《自然》封面

39. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

40. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

41. 如何评价DeepSeek最新的「条件记忆」和字节Seed团队「Over-Encoding」之间的关联？

42. 突破具身智能长程任务瓶颈！EchoVLA双重记忆机制赋能移动操作机器人，超越π0.5

43. 以智能化评测赋能数据分析：DeepInsight自动化评测集生成与实践

44. 《扣子开发 AI Agent 智能体应用》022-扣子数据库实战（扣子数据库实战案例：搭建 AI登记助手）

45. 日产N7靠“记忆”能开吗？广深双城辅助驾驶实测！#2025广州车展##新车智能行不行之家总裁亲测##汽车之家真不一样了# 汽车之家原创的微博视频

46. 国内外AI大厂重押，初创梭哈，谁能凭「记忆」成为下一个「DeepSeek」？

47. 「Memory as a Context」是否将重新定义 Transformer 的「记忆模式」？

48. 从「行为数据」到「AI 记忆」，哪条路线更可能成就 AI 对用户的「终身记忆」？

49. 如何评价DeepSeek最新的「条件记忆」和字节Seed团队「Over-Encoding」之间的关联？

50. LLM 语境下，「持续学习」是否是「记忆」问题的最优解？

51. 攻克记忆瓶颈：腾讯云Data Platform如何为智能体打造记忆湖架构

52. 最火、最全的Agent记忆综述，NUS、人大、复旦、北大等联合出品

53. AI 的本质不是算力，而是「上下文革命」

54. 英伟达发布Rubin CPX，瞄准超长上下文处理，黄仁勋称一次推理数百万token

55. 姚顺雨在腾讯首个研究：在“上下文”这事上，在座的各位都不及格

56. 什么因素让只有 5% 的 AI Agent 在生产环境中真正有效？What Makes 5% of AI Agents Actually Work in Production?作者 Oana Olteanu 在旧金山主持了一个座谈会，参与者包括 Uber、WisdomAI、EvenUp、Datastrato 的工程师和机器学习负责人。与会者中多数是创业者、工程师、早期 AI 产品构建者。讨论的重点并不是提示工程（prompt engineering），而是“上下文工程”（context engineering）、推理技术栈设计，以及在企业环境中扩展 agent 系统的难题。文章指出，目前有高达 95% 的 AI agent 部署在生产环境失败，失败并不是因为模型本身不聪明，而是因为支撑系统不够完善：上下文工程、安全性、记忆设计 (“memory design”) 等基础设施还未成熟。 1. 上下文工程 (Context Engineering) ≠ 提示调优（Prompt Hacking）在很多情况下，并不需要对 model 做 fine-tune；使用检索增强生成（RAG, Retrieval-Augmented Generation）如果做得好，就足够了。常见的失败模式包括：（1）把所有内容都索引 → 检索过多信息 → 模型被混淆；（2）索引太少 → 模型得不到足够信号；（3）混合结构化与非结构化数据 → 导致 embeddings 被破坏或 key schema 被“压平”。较好的上下文工程做法包括：特征选择、上下文验证（schema／类型／时间等校验）、上下文可观测性（context observability），以及使用 metadata 来增强 embeddings。上下文可以被视作可版本、可审计、可测试的资产，而不仅仅是一段 prompt 文本。 2. 语义 + 元数据分层（Semantic + Metadata Layering）架构一般包含两个层次：语义层（用于经典的向量检索），元数据层（基于文档类型、时间戳、访问权限或领域本体来过滤）。这种混合层可以规范不同格式的输入（PDF、音频、日志、指标等），确保检索的不仅是“相似内容”，而是“相关知识结构”。例如使用分类法、本体（ontology）、实体关联（entity linking）等在 embeddings 之上。 3. Text-to-SQL 的现实挑战在问观众有谁把 text-to-SQL 放到生产环境中时，没有人举手。不是问题小，而是理解自然语言查询非常难。业务术语非常领域化，模型不知道你公司里“revenue”“active user”等定义是什么，没有丰富的上下文就难以理解。成功的团队做的事情包括：构建业务词汇表（glossaries）和术语映射、用约束的查询模板、加入验证层以在执行前捕捉语义错误；还有持续的反馈回路来改善理解。 4. 治理与信任 (Governance & Trust) 并非只有大企业的问题安全性、数据溯源（lineage）、权限控制频频被提及，不只是“合规做一下”，而是生产部署的障碍。示例：用户权限不同，即使提问一样，回答也应不同；若无这些控制，系统即使在功能上是对的，也可能组织上出问题（比如数据泄露、合规问题）。人的信任问题胜过纯技术问题。即便是技术上能做到，用户是否信得过 AI？尤其当 AI 涉及安全、金钱、隐私或医疗这种非常敏感的领域。成功的 AI Agent 会有“human-in-the-loop”设计，让人可验证、可纠错、可覆盖。 5. 记忆（Memory）不仅是存储，而是架构设计记忆有多个层次：用户层面（偏好、写作风格等），团队层面（常用查询、仪表板、runbooks 等），组织层面（制度性知识、政策、之前的决策等）。最佳团队将记忆抽象为一个上下文层＋行为层，是可版本化、可组合的。不仅仅硬编码在本地存储或应用逻辑里。记忆在个性化上有两个作用：一是根据用户历史来定制行为（风格、格式等），二是基于事件或元数据主动提供帮助，而不仅仅被动响应。但也存在张力：过度个性化可能侵犯隐私；共享记忆可能破坏权限控制。作者提到一个缺失的原语（primitive）：一个安全、便携（portable）的记忆层，跨应用可用，并由用户掌控，而非被 vendor 锁定。 6. 多模型推理与编排（Multi-Model Inference & Orchestration Patterns）在生产中，不是所有任务都调用 GPT-4 或一个大 model。团队会根据任务复杂性、延迟要求（latency）、成本敏感性、数据局部性／法规要求、查询类型等来做模型路由。例如：简单的查询用本地模型；结构化查询用 DSL → SQL 翻译器；复杂分析调用大型边缘或云端模型；还有 fallback 或冗余机制（判断器 + 回答器）来校验或备份。 7. 什么时候 “聊天界面”（Chat）是合适的界面？并非所有任务都需要以聊天形式交互。文章中提及用户对于某些任务（比如叫车）更倾向于点击界面，不愿意通过对话。聊天界面适合那些能消除学习成本的场景，比如 BI 仪表板／数据分析这种需要技巧的工具，用自然语言可以降低门槛；但获取结果之后，用户通常希望有 GUI 控件来进一步细化和迭代。 8. 目前还缺什么／未来可赢的地方上下文可观测性：哪些输入持续改善输出、哪些上下文导致错误／幻觉，现在很多团队缺乏系统方式来衡量这些。可组合的记忆（composable memory）：记忆是否可以跟随用户，而不是锁在某个应用里；组织／团队／个人状态应有可选层级。这样用户无需在每个新工具里重建上下文；隐私和安全由用户控制。面向领域的 DSLs（Domain-aware DSLs）：很多业务用户的需求是结构化、重复性的，为什么还要一直把自然语言解析成脆弱的 SQL，而不是开发更高层次、安全有约束的领域语言？比如 “Q4 营收” 应该映射到一个被验证的计算，而不只是 raw SQL 生成。延迟感知的用户体验（Latency aware UX）：不同任务有不同的延迟要求。幽默类任务／日常小查询需要快速响应；深度分析／复杂任务可以接受稍长时间，但需要显示进度并让用户觉得系统在“动”。文章提到：AI agent 可以在你开文档时预备相关上下文，或者在你会议前准备摘要等；这种“异步、主动”的体验有潜力。 9. 发展趋势作者认为接下来基础设施层面 (infra tooling)、记忆工具包（memory kits）、编排层（orchestration layers）、上下文可观测性，以及信任 UX 将会是关键。这些东西现在还“杂乱无章、未被解决”，但未来会变得显而易见。 10. 给创始人／构建 AI Agent／系统工程者的五个问题（Five Hard Questions）1. 我的应用的上下文预算是多少？（理想的上下文窗口大小是多少，以及我如何优化哪些内容进入上下文？） 2. 我的记忆边界在哪里？（哪些属于用户层面／团队层面／组织层面？存在哪里？用户能看到吗？） 3. 我能追踪输出的来源吗？（能否调试模型的某个回应，知道是哪些输入导致的？） 4. 我是用一个模型还是多个模型？（我如何根据复杂性、延迟或成本来路由请求？） 5. 如果我的用户把金钱或医疗数据交给这个系统，会信任它吗？（如果不会，安全性或反馈回路中缺了什么？）访问：www.motivenotes.ai/p/what-makes-5-of-ai-agents-actually#人工智能##程序员#

57. 红熊AI获 5500 万融资：补大模型 “失忆” 短板，AI 记忆科学撑起5亿估值

58. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

59. 在 re:Invent 2025，亚马逊云科技 Agentic AI 副总裁 Swami Sivasubramanian 以《Agentic AI 的未来已来》为题进行演讲，并系统发布面向生产环境的 Agentic AI 全栈能力：Strands Agents SDK 新增 TypeScript 与边缘设备支持，让 Agent 可部署于机器人、智能汽车等物理终端；Amazon Bedrock AgentCore 正式全面可用，集成策略控制（Policy）、情景记忆（Episodic Memory）与评估（Evaluation）三大核心能力；Amazon Nova Act 正式版上线，让 Agent 能像真人一样操作浏览器，自动完成数据录入、跨系统核验、电商结账等复杂 UI 任务，可靠性达 90%+；Reinforcement Fine-Tuning (RFT) for Amazon Bedrock 平均提升任务准确率 66%，无需机器学习专家即可完成模型定制。这些新突破共同围绕“可用、易用、可靠”三大原则，为开发者提供从开发、定制到运行、观测的端到端 Agentic AI 工程化路径。#亚马逊云科技# #reInvent2025# #AgenticAI#

60. Google又发布了一篇可能改变AI未来的论文，这次它教AI拥有了记忆。

61. AI记忆革命爆发！Clawdbot如何像大脑般记住一切

62. 《MCP协议与AI Agent开发》007-MCP的基本原理（MCP上下文结构与层级划分）

63. 英伟达推理上下文内存存储对NAND意味着什么？

64. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

65. LangSmith 如何构建 Agent Builder 的记忆系统

66. Qoder 全新「上下文压缩」功能正式上线，省 Credits ！

67. 「Github一周热点96期」Flux2绘图模型、腾讯的视频生成模型、AI记忆、开源Launchpad、笔记和知识库，Nginx可视化工具

68. 《Making Sense of Memory in AI Agents》AI代理记忆的最大难题，不是教它们“记住”，而是教它们“忘记”。核心挑战是：大语言模型（LLM）天生无状态，每次对话都是全新开始，既不记得五分钟前说了什么，也不记得上周的内容。那么，如何让代理“记住”呢？记忆类型分两大类：• 短期记忆：LLM上下文窗口里的当前对话信息• 长期记忆：外部存储的历史对话、用户偏好、学习事实等不同框架对记忆分类也不尽相同：CoALA（类人认知架构）：- 工作记忆（当前对话）- 语义记忆（用户事实）- 情景记忆（过去经历）- 程序记忆（指令和行为）Letta（架构导向）：- 消息缓冲（最近消息）- 核心记忆（主动管理的上下文块）- 回忆记忆（对话历史）- 档案记忆（显式存储的知识）最难的部分是忘记。如何自动判断哪些信息过时了？哪些依然相关？这正是大多数实现的难点。Leonie的文章不仅讲清了各种记忆类型，还分享了实践中如何管理记忆（生成、存储、检索、更新、删除），并介绍了mem0、Letta、zep等新兴记忆框架。社区专家提到：- 让代理自己判断哪些记忆该删，比用复杂的衰减机制更靠谱。- 记忆管理不能只是简单的“先进先出”，需要智能逻辑。- 忘记不仅是存储问题，更是时间、情境和价值判断问题。- 合规需求（如“被遗忘权”）让删除机制变得更复杂。总结：AI代理记忆设计的核心，是如何在短期上下文与长期外存之间高效流转信息，同时智能决策何时更新、合并或删除信息。忘记难题不仅关乎技术，更关乎对时间和情境的理解以及用户隐私的尊重。文章：leoniemonigatti.com/blog/memory-in-ai-agents.html

69. Agent Memory

70. 【Agent智能体核心】8大记忆模式，认知跃迁(从存储到洞察的) ,深入探讨AI agent智能体记忆能力的层次进化与实战应用开发！agent智能体搭建

71. 🫖 Agent 会“记住”我吗？聊聊短期记忆、长期记忆与上下文窗口

72. 想用好AI Agent？你得先搞懂“短期记忆”和“长期记忆”的区别

73. 为什么“记忆”决定了AI Agent的商业未来？

74. AI产品经理

75. 记忆智能体工程实践（五）

76. AI agent 的“长期记忆”逐渐变成一个待解决非常核心的问题

77. AI Agent 记忆系统设计

78. 上下文不等于记忆

79. AI Agent上下文管理

80. AI Agent记忆系统完全拆解!

81. 聊下 AI Agent 的上下文记忆和遗忘

82. 别再让Agent失忆了！三层记忆架构设计，让AI真正持续学习！收藏这一篇就够了！！

83. AI智能体类人记忆系统架构设计指南

84. AI Agent Memory 实战

85. 如何搭建一个「带记忆」的语音 AI Agent

86. AI Agent 的自适应演化之路 ——动态记忆

87. 🚨重磅综述！AI Agent记忆机制最全解读

88. 技术博客 | AI Agent 的自适应演化之路——动态记忆

89. 全新Agent记忆架构

90. Agent 工程实践必看，记忆评测指标和开源基准

91. Agent记忆 vs RAG

92. AI Agent的优势和局限

93. 一文详解AI Agent，什么是AI Agent（智能体）为什么要学习AI Agent?

94. 字节一面

95. Agentic Memory开年就卷起来了？刚刚，华人团队MemBrain拿下多项SOTA！

96. 如果2026年以后ai agent 将开始爆发和普及，作为ai agent 的核心的是不是用户的上下文（例如聊天记录、搜索记录、指令等），那么需要什么样的技术和设备来为每个用户保管上下文？

97. AI Agents时代记忆系统的深度剖析

98. （2026最新版）AI领域的新风口

99. 万字解析

100. 构建有记忆的 AI Agent：SQLite 存储 + 向量检索完整方案示例

101. 什么样的 Agent 才算 AI Agent？丨茶思AI Agent

102. 最近很火的Hindsight，基于图谱的「Agent记忆栈」解耦事实与信念

103. AI不再健忘！字节M3-Agent让智能体首次拥有长期记忆

104. 字节Seed推出「长期记忆」多模态Agent

105. 阿里云AI Agent记忆存储功能正式推出！

106. AI Agent为啥有时听不懂？问题出在上下文工程

107. 大模型 AI Agent 科研从入门到精通：完整路线图

108. 字节开源“记忆大师”：M3-Agent，多模态Agent如何像人类一样“记住”一切？

109. AI Agent 的记忆圣杯:万字解析大模型应用上下文优化策略:不仅仅是代码和架构的堆砌,更是关于如何赋予 AI Agent 持久、可靠“记忆”的哲学思考。

110. 迄今为止最完整的 Agent Memory Survey

111. GAM：通用Agent记忆系统——从静态压缩到即时编译

112. 30 个必知的 AI Agent 核心术语丨茶思AI Agent

113. Agent Memory真的是一个值得去做的方向！ 🔥最近真觉得Agent-Memory是个宝藏方向！ . 记忆（Memory）是AI智能体必备的能力之一，随着对话轮数与深度的增加，如何让AI智能体“记住”过去的上下文，是实现精准理解与个性化AI系统的关键。 . ⭕为什么说Agent Memory值得去做？ ✨当下智能体是 AI 落地的主力，但单靠加长上下文并不可持续——越长越慢、成本越高。这时记忆管理就成了痛点：怎样更省空间地存？如何更快命中关键？怎么把记忆之间的脉络理清？例如 Graphiti 把 P95 检索延迟做到 300ms，并用混合检索尽量在查询阶段绕开 LLM 调用。 . ✅Memory机制：模仿人类分段阅读+全局整合的认知模式；线性时间复杂度，告别传统二次方增长动态更新记忆，越用越智能。 . 完整整理了Agent Memory的底层技术原理，📚包括基本技术流，框架等，希望可以帮到大家~ #ai大模型 #agent #大模型应用 #我要上热门 #

114. 通用智能体记忆框架

115. Agent如何联动短期记忆和长期记忆？

116. Mem0 记忆架构解析：构建具有可扩展长期记忆的生产级AI Agent

117. 深入理解AI Agent记忆模块：短期记忆与长期记忆的完美结合

118. 长期任务的上下文工程实践:压缩、笔记与多agent架构—Anthropic《AI Agent的高效上下文工程》④

119. 6行代码搞定AI Agent的“长期记忆”！Cognee开源工具深度测评

120. Agent篇（八）：Agent记忆与检索

121. Microsoft Agent Framework - AIContextProvider 上下文管理

122. 迈向人类般的 AI Agent 记忆

123. Agent记忆机制：从短期到长期的智能演进

124. AI Agent的“活”记忆：拆解A-MEM如何构建一个能自我进化的“第二大脑”

125. 可联想、会成长的长期记忆 AI Agent 记忆实现原理 (Memory Matrix)： Working Memory：即时上下文，负责多轮对话的流畅性。 Episodic Memory：情节记忆（SQLite），像人类一样记住"上次聊天发生了什么"。 Semantic Memory：语义记忆（LanceDB + 本地 Embedding），存储永久性事实（如"用户喜欢Rust"），支持模糊搜索。 Graph Memory：关联记忆（NetworkX），自动构建概念知识图谱，让 AI 具备联想能力。项目核心优势： Privacy First（隐私优先）：虽然用了云端模型（DeepSeek）进行推理，但你的所有长时记忆数据（向量库、图谱）都 100% 存储在本地硬盘。 Cyberpunk AR（沉浸式体验）：全网少见的结合了面部识别 (Face Mesh) + 音频可视化 + 记忆 HUD 的 Web 界面。 Smarter Over Time（越用越聪明）：真正的"积累型"AI，而不是每次刷新就失忆的 Chatbot。

126. 2026 智能体架构实战：从 OpenClaw 谈自主智能体的记忆系统设计 - 哔哩哔哩

127. GitHub热门榜：7大AI Agent记忆管理开源项目全对比 🧠

128. 使用 Microsoft Agent Framework实现 Agent 会话持久化

129. cognee：当前效果最好的AI Agent记忆层(vs LightRAG/Mem0/Graphiti)

130. 六种实战技巧帮你修复AI上下文

131. Agentic AI大会圆满结束，Agent Dev Tool、自主决策Agent、面向Agent记忆工程等论坛爆满，千名技术人员共话智能体技术落地

132. 一文讲透Agent三大核心能力：长期记忆、动态进化、个性化算法

133. AI Agent 类人记忆系统：三层架构设计深度解读

134. 什么是AI Agent，以及怎么实现AI Agent?

135. 本周AI前沿丨AI Agent记忆革命来了！17篇重磅论文一文速览

136. 从零开始：如何让AI Agent记住你的喜好？MemMachine长期记忆系统搭建指南(建议收藏)

137. 智能体记忆，Agent的下一个infra市场

138. AI Agent与Agentic AI：从单一智能到协作智能的飞跃！

139. 从工具到管家：AI复杂系统构建指南，解锁自动化生产力

140. AI Agent 记忆系统怎么设计？面试官最爱问的实现细节

141. Agent Memory是怎么实现的？

142. 案例：Palantir AIP如何教Agent学会记忆

143. 为什么RAG不够聪明？

144. .NET+AI | Agent | Agent 记忆线程（2）

145. 广发电子 | AI的Memory时刻2：AI记忆的硬件载体是存储

146. AI Agent 记忆系统:从短期到长期的技术架构与实践

147. 字节新多模态Agent框架！让AI拥有长期记忆

148. 聊聊大厂很火的 Agent memory

149. 【收藏必备】万字长文：AI Agent核心技术解析与实战指南

150. 突然发现Agent Memory拆解思路真的好清晰！

151. Microsoft Agent Framework - 持久化 Agent 对话

152. AI Agent 的记忆投毒风险：从 ChatGPT 长期记忆说起

153. .NET+AI | Agent | 自定义上下文记忆-基础（15）

2025年下半年起，头部厂商密集推出具备长期记忆能力的AI Agent框架，记忆功能正从“可选功能”快速演变为“核心基础设施”

精选参考来源