AI智能体的记忆能力到底靠不靠谱？_服务软件

1. 奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识

2. 图解 AI 智能体的上下文工程

3. 《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

4. LangSmith 如何构建 Agent Builder 的记忆系统

5. 关于AI幻觉，或许你想知道的，都在OpenAI这篇关于模型幻觉的论文里

6. 理解 AI 智能体中的记忆（Making Sense of Memory in AI Agents） 1. LLM 天生就是“健忘”的 LLM，在其核心交互设计上是“无状态”的（stateless），天生没有对话记忆。 LLM 在训练阶段已经将海量知识以“参数化知识”（parametric knowledge）的形式存储在其模型权重中，但这是一种静态的、背景性的记忆。对于你和AI的实时对话，每一次互动本质上都是一个全新的开始。模型本身并不会内置任何关于你们过去对话的记忆。我们感受到的所谓记忆，其实是一种技术上的实现：开发者将你之前的对话内容，在每一次你发送新消息时，都重新“喂”给模型。正是因为这种机制，开发者才必须专门为 AI 构建外部的记忆系统，因为它并非底层模型自带的功能。 2. 我们应该用“人脑”还是“计算机”来类比 AI 记忆？关于如何定义和分类 AI 记忆，业界尚未达成共识。但要理解这场有趣的辩论，首先需要掌握一个核心框架：几乎所有的 AI 记忆系统，都在最高层面上区分了两种基本类型——短期记忆（上下文内记忆）长期记忆（上下文外记忆）。 1）短期记忆 (In-context memory): 指的是当前在 LLM 的“上下文窗口”中可用的信息，也就是模型能直接“看到”的对话历史。 2）长期记忆 (Out-of-context memory): 指的是存储在外部数据库（如向量数据库）中的信息，模型需要通过特定检索操作才能访问。在这个基础框架之上，业界形成了两大思想流派，它们试图用不同的模型来进一步细分记忆的类型。第一派倾向于使用人类记忆进行类比。例如，一篇名为 CoALA (Cognitive Architectures for Language Agents) 的论文就借鉴了人类认知模型，将 AI 记忆分为四种： 1）工作记忆 (Working memory): 当前对话的上下文内容，例如“你好，我叫山姆。” 2）语义记忆 (Semantic memory): 事实性知识，例如关于用户的信息“他的狗叫亨利。” 3）情景记忆 (Episodic memory): 过去的经历或行为，例如“在没有使用计算器的情况下，计算 1+1 失败了。” 4）程序记忆 (Procedural memory): 指令或技能，例如系统提示中的指令“在回答问题前，总是先提出追问。” 然而，另一派则认为这种类比并不恰当。 Letta 公司的 Sarah Wooders 认为，将 AI 类比成大脑会产生误导。她强调： an LLM is a tokens-in-tokens-out function, not a brain, and that, therefore, the overly anthropomorphized analogies are not fit. 因此，他们提出了一个更侧重于系统架构的分类方法，它同样建立在短期和长期记忆的区分之上： 1）消息缓冲区 (Message Buffer): 存储当前对话中最近的消息。 2）核心记忆 (Core Memory): 由 AI 自身管理的关键上下文信息，例如与当前对话相关的用户生日。 3）回忆记忆 (Recall Memory): 原始的、未经处理的对话历史记录。 4）存档记忆 (Archival Memory): 明确表述并存储在外部数据库中的信息。这两种模型并非完全独立，而是对同一问题的不同剖析。例如，CoALA 模型中的“工作记忆”在 Letta 的模型中被更精细地拆分为“消息缓冲区”和“核心记忆”。 3. 让 AI 学会“遗忘”比“记忆”更难在 AI 记忆设计中，最复杂的挑战并非如何“记住”，而是如何进行有效的“记忆管理”，尤其是如何“遗忘”。首先，我们需要区分管理“上下文窗口”（短期记忆）和管理“外部存储”（长期记忆）的挑战。对于上下文窗口，挑战在于避免因对话过长而超出token限制，开发者通常会采用对话摘要等方法来精简信息。而真正的难题在于管理外部的长期记忆。如果一个 AI 从不遗忘，就会导致“记忆膨胀”（memory bloat）。大量低质量或不相关的存储信息会像噪音一样干扰 AI，最终降低其性能。记忆管理系统的四种核心操作： 1） ADD (添加): 将新信息存入长期记忆。 2） UPDATE (更新): 修改现有信息以反映最新情况（例如，更新用户的地址）。 3） DELETE (删除/遗忘): 识别并永久移除过时或无关的信息，这是防止记忆膨胀的关键。 4） NOOP (无操作): 这也许是最微妙也最困难的决策——判断当前信息既不新、也无矛盾，因此不值得存入记忆。教会 AI 何时该“遗忘”（DELETE）以及何时该“无视”（NOOP），是自动化记忆管理的最大障碍。除此之外，开发者还面临一个难题：何时执行这些操作？是在与用户对话的实时路径中（hot path），还是在对话结束后的后台批处理中（background）？这些决策都深刻影响着系统的延迟和效率。 #ai创造营# #程序员#

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

8. 能否使用RAG技术来解决大模型的长期记忆问题？

9. 第三天《Context Engineering: Sessions & Memory》，一个Agent做得好，80%看上下文管理！这个pdf有72页，系统讲述了如何让LLM在交互中形成“状态”“个性”与“持续学习“，想做好AI Agent的别忘记深读一下这个文档。划线点：1. 上下文工程的核心理念传统的 Prompt Engineering 只关注如何写出一个最优提示，而 Context Engineering 则是更高维度的概念。它要求开发者在每次模型调用前，动态地拼装完整的上下文——包括系统指令、工具定义、few-shot 示例、外部检索内容、长期记忆以及当前对话历史。白皮书中有个比喻：如果 Prompt 是食谱，那么 Context Engineering 就是备料，决定了模型能否稳定地产出理想结果。2. Session vs. Memory Session 是一场对话的“工作台”，保存着事件日志和临时状态；Memory 是长期的“档案柜”，从这些对话中提炼出可复用的知识。 Session 负责连贯性，Memory 负责持续性。3. 多智能体系统中的会话共享多个 Agent 协作时，Session 的设计变得更复杂。不同框架（如 ADK、LangGraph）内部的数据结构差异较大，直接共享会导致互操作问题。文档提出用框架无关的 Memory 层作为共享语义中枢，各 Agent 通过抽象化的记忆数据交换信息，从而实现真正的跨框架协作。4. 长上下文的管理与压缩模型上下文窗口有限，随着会话增长，成本、延迟和注意力衰减都会出现。有三种压缩策略：（1）保留最近 N 轮（滑动窗口）；（2）基于 token 数截断；（3）递归摘要，用 LLM 生成对旧内容的总结。这些方法共同目标是保留必要、舍弃冗余，让模型始终聚焦关键信息。5. 记忆系统的设计与生命周期记忆并非简单存储，而是一套动态的 LLM 驱动工作流，涵盖提取、整合、存储、检索与遗忘（有点像一个ETL系统）。提取阶段从原始对话中识别有意义的信息；整合阶段解决重复与冲突；存储可采用向量数据库、知识图谱或混合架构；检索阶段结合语义相似度、时间衰减与重要度评分挑选最合适的记忆。文档还提出“遗忘”机制——旧记忆会随时间或置信度衰减被归档或删除，以保持知识库的健康。划重点：真正的智能不在于保存全部信息，而在于知道何时、为何、记什么、忘什么。一个理想的 Memory 系统，像人脑的海马体，既能在短期保持上下文，又能在长期过滤、压缩、抽象出模式。 AI Agent的设计应该把动态遗忘作为标准功能来设计，而非可有可无的能力。6. 触发策略与 Memory-as-a-Tool 模式记忆生成可在会话结束、固定回合、实时、或用户显式命令下触发。频繁触发可保留更多细节，但计算成本高；批量触发更经济，却易失真。白皮书提出 Memory-as-a-Tool 模式：让 Agent 自行判断何时、为何生成记忆，将“记忆何时发生”的控制权交给模型逻辑本身（划重点！）。7. 信任、来源与隐私文档专门讨论了 Memory 的来源溯源（Provenance）：每条记忆应携带来源类型、时间戳、置信度与可信层级。系统需依据来源权重解决冲突，并对个人敏感信息在写入前脱敏，确保隔离与合规。8. RAG 与 Memory 的对比 RAG 让模型更懂世界， Memory 让模型更懂你。前者检索外部事实，后者积累用户语境。Agent 需要二者结合，既具世界知识，又具个人连续性。#ai创造营# #程序员#

10. Leonie Monigatti深入剖析了AI代理中的记忆演进，从最初的RAG（检索增强生成）到Agentic RAG，再到具备读写能力的Agent Memory，厘清了这一系列技术的核心逻辑与突破。RAG诞生于2020年，其核心是将离线存储的外部知识检索进LLM上下文，解决模型记忆有限带来的问题。但其“单次检索”与“只读”限制导致复杂场景下仍有误导风险。Agentic RAG引入了“工具调用”机制，允许智能体主动判断是否需要检索、选择检索工具，并评估检索结果相关性，显著提升了灵活性和准确性，但仍无法动态学习和更新信息。Agent Memory则迈出关键一步：支持智能体不仅读取，还能写入和管理外部记忆，实现基于历史交互的持续学习和个性化体验。它将记忆从“静态”转变为“动态”，但也带来了记忆管理和遗忘机制的新挑战。这三者共同体现了信息“存储-检索-编辑-删除”的完整闭环，也反映了AI系统从单点知识调用向复杂记忆体系演进的趋势。未来，如何设计高效的多源、多类型记忆管理策略，将是提升AI智能和人机交互体验的关键。详细内容及代码示例请见原文：leoniemonigatti.com/blog/from-rag-to-agent-memory.html

11. Manus 的上下文工程

12. 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

13. 开发团队在构建智能体（AI Agent）应用、实现自主任务规划与执行时，常面临智能体决策逻辑复杂、工具调用能力弱、多任务协同难的问题，传统大模型应用难以适配自主化工作流需求。 AutoGPT 是一款开源的自主智能体框架，适配开发团队快速搭建具备自主思考、任务分解、工具调用能力的AI应用的核心场景。开源地址：github.com/Significant-Gravitas/AutoGPT 核心功能： 1. 内置任务自主分解与优先级排序机制，可将复杂目标拆分为可执行的子任务链，无需人工干预完成流程规划。2. 支持多类型工具集成，可对接搜索引擎、代码执行环境、API接口等外部资源，拓展智能体的实际应用能力。3. 提供记忆管理模块，包含短期上下文记忆与长期存储记忆，保障智能体在长周期任务中具备持续学习与状态追踪能力。4. 内置反馈迭代机制，可根据任务执行结果优化后续决策，提升复杂任务的完成质量。5. 兼容主流大模型，支持本地与云端部署模式，满足不同场景下的算力与安全需求。

14. AI Agent智能体的“超能力”之源——大模型与工具生态

15. 华为最新报告：未来10年，AI智能体、算力、半导体、能源都有巨大的机会#智能世界2035 #AI智能体 #算力 #半导体 #华为

16. 「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

17. AI 的学识和记忆力都远超常人，这是否意味着我们每个人都能真正长期拥有一个优秀贴心的助理？

18. Google NotebookLM 这周更新了不少内容，我们用最新的NotebookLM来生成Google AI Agents 5篇白皮书的博客。戳视频8分钟了解精华NotebookLM本周更新的内容：支持Deep ReSearch，打开这个Deep Search可以更深入地研究文档内容；支持URL，处理word文档，连接google sheets数据；手机端新增闪卡和小测功能；聊天上下文支持100万tokens。 #ai创造营##程序员# 黄建同学的微博视频

19. 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

20. 终结Transformer统治！清华姚班校友出手，剑指AI「灾难性遗忘」

21. 刷手机有一种荒废感，其中一个原因在于，我们刷了两个小时之后，可能什么也没有记住。今天看《手机上瘾》，作者提到了手机和网络对记忆的影响，还蛮有启发的。作者介绍，我们的大脑储存了不同类型的记忆：语义记忆和情景记忆。例如，知道“巴黎是法国的首都”是一种语义记忆，而在巴黎度过愉快的周末则是一种情景记忆。情景记忆能够将我们带回珍贵的时刻，正是它们让我们的生活变得丰富有意义。如果缺乏情景记忆则会让你的生活看起来有点模糊不清。现在，我们每天大量使用手机，获得的往往都是语义记忆。甚至，无意识的刷手机、漫无目的地看手机，可能根本无法创造任何记忆。作者建议：在使用电子设备时，精心选择我们消费的内容，期待它的到来，并细细品味。在读文章、看电影、浏览社交媒体的时候，不妨花时间去反思并吸收看到的内容，这可以带来更深刻的理解和更难忘的体验——提升语义记忆的质量。总结一下：第一，试着提升语义记忆的质量，比如我现在把这些内容记录下来。第二，试着多创造情景记忆，或许可以让我们更感到生活的意义。

22. 记忆工程:AI系统的长期价值积累之道

23. 当AI成为你的生活搭档，我们该如何与它更好地协作？

24. 关注 | Cell子刊系列综述：医疗AI智能体，从临床应用，到建立AI智能体医院

25. 谷歌大神出手，免费发布《智能体设计模式》，AI Agent开发的终极秘籍

26. 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。

27. github.com/thedotmack/claude-mem 一个专为 Claude Code 设计的插件项目，可赋予 Claude 跨会话的持久化记忆能力，解决 AI 在新会话中丢失项目上下文的痛点。该工具通过自动捕获用户的编程过程，利用 AI 技术对关键信息进行压缩和语义索引（支持本地存储以保护隐私），并在后续对话中智能地检索并注入相关的历史背景。这不仅让 Claude 能够“记住”之前的技术决策和代码细节，还通过其特色的“无尽模式”和仿生记忆架构，大幅降低了重复发送上下文带来的 Token 消耗，从而显著提升了长时间复杂编程任务的连贯性与效率。#科技先锋官#

28. 登顶Hugging Face GAIA全球榜首！中兴超级智能体终结「AI黑盒」时代

29. 360纳米AI的“多智能体蜂群引擎”如何为智能体时代铺设高速公路？

30. 在这场AI时代的竞争中，安全智能体正是破局的关键。 #大咖观察 #红衣聊AI #智能体 #网络安全

31. 想了解「AI 智能体+健康」的落地形态，不妨看看蚂蚁阿福。都说 AI 智能体时代，所有行业都值得重做一遍。健康领域尤甚——我常思考，如果每个人的健康管理背后都有一个专属智能体，产品该长什么样？作为健康领域的资深玩家，蚂蚁阿福这次将「AI + 智能体」深度结合，两点体验印象深刻：1. 具备主动感知力的「健康问答」这一点太有 Agent 的味道了。它打破了传统搜索“你问我答”的被动模式。阿福的“AI诊室”能像真人一样主动追问，引导你厘清症状，能直接读懂体检报告。它不再是冷冰冰的知识库，而是能理解多模态信息的专业助手。2. 拥有长期记忆的「健康陪伴」智能体与聊天机器人的分水岭在于“记忆”。比如，阿福利用“小目标”建立专属档案，像老朋友一样记住你的过往数据，并据此提供个性化的饮食和控糖建议。这种基于长期记忆的关怀，才配得上“AI朋友”的称呼。AI 下半场的正确解法，是深度融合产业、规模化解决真问题。 #蚂蚁阿福APP月活用户已超1500万# 的背后，也是从“工具”向“智能体”进化的一种价值验证。

32. 构建真正有效智能体，90%靠的是“记忆”，而非模型本身、框架或MCP。关键在于智能体对以下内容的理解和记忆：- 自身能力范围 - 目标与需求 - 过去失败经验这段“上下文”决定了智能体是像六岁小孩般无知，还是像严谨工程师般高效。核心是“领域记忆”——既包含专业化知识，也包含任务专属的长期记忆。这不是简单的会话记忆，而是对未来至关重要的关键洞察的持续保存。可以称之为“工作流记忆”，它虽设置不复杂，但设计精妙且价值巨大。即便内部已有智能体架构，实现持久记忆也不难，且无需依赖外部API（当然也有选择）。让智能体把最终回答摘要存入持久存储，下次运行时回顾过去决策，大大提升了连续性与理性表现。失败尝试的历史比成功经验更宝贵，避免重复踩坑，节省时间和计算资源。通过保存失败日志，课减少70%的重复错误，证明记忆架构是生产级智能体的核心，而非模型升级的噱头。将记忆细分为“动态工作流记忆”（从失败中学习）和“静态目标记忆”（明确要求与验收标准），结合使用能让智能体拥有既稳固又灵活的执行力。记忆提供连续性，但“控制”才是智能体真正的主动性源泉。只有当系统能自主调节自身动态，才能实现真正的“代理行为”，而非被动反应。记忆塑造认知，控制塑造行为，两者合力才能造就真正有自主决策能力的智能体。产品角度看，模型是天花板，记忆系统是地板。没有强大且专注的长期记忆，再好的模型也难以落地应用。当大家热衷于追求更聪明的模型时，真正提升智能体智商的，是持续不断的记忆和上下文管理。只有打好记忆基础，智能体才能从随机猜测进化为可靠执行者，实现真正的智能与成长。x.com/Hesamation/status/1999255592242737658

33. 《Making Sense of Memory in AI Agents》 AI智能体的“记忆”其实是指它们跨多轮对话，记住并调用重要信息的能力。这让智能体能从反馈中学习，适应用户喜好，提升体验和效果。但目前驱动这些智能体的语言模型（LLM）本身是无状态的，每次交互都是“重头开始”，没有内置记忆功能。要实现记忆，必须借助外部存储或上下文管理，帮它们回顾之前的对话内容。“记忆”既是信息的存储位置（如数据库、Markdown文件），也是一种信息管理机制。研究中区分了“智能体记忆”（agent memory）和“自主记忆”（agentic memory）——前者是赋予智能体访问记忆的能力，后者是智能体主动写入和管理记忆的系统。智能体记忆大致分为短期和长期两类： - 短期记忆存在于模型的上下文窗口里，保存当前对话内容； - 长期记忆储存在外部系统，如向量数据库，保存更稳定、广泛的信息。模仿人类记忆结构，有四种记忆类型：工作记忆（当前对话）、语义记忆（事实）、情景记忆（经历）、程序记忆（指令）。另一种设计思路则划分为消息缓存、核心记忆、回顾记忆和档案记忆，分别对应不同存储和管理策略。智能体记忆管理的关键，是如何在上下文窗口和外部存储间高效传递信息，着重解决以下难题： - 如何避免上下文过长导致响应变慢和成本飙升； - 如何判断哪些信息需要被记住、更新或者删除，防止记忆膨胀和信息质量下降。这里涉及“显式记忆”（智能体主动识别和保存重要信息）与“隐式记忆”（系统自动定时更新或批处理记忆）的区分。实现时，当前对话通常用列表形式保存，指令用文本文件，其他信息则根据检索需求存数据库。技术挑战主要集中在延迟控制和“忘记机制”的设计：如何精准判断哪些信息该被遗忘，防止系统负担过重，保持记忆的相关性和有效性。目前，围绕智能体记忆管理的开发框架快速涌现，如mem0、Letta、Cognee、zep，以及LangChain、LlamaIndex等通用智能体开发工具，都在积极推动技术成熟。总结来看，AI智能体记忆设计是连接短期对话和长期知识存储的桥梁。它不仅关乎记忆的保存，更涉及记忆的更新和遗忘，是打造更智能、更贴心AI的核心难题和发展方向。原文：leoniemonigatti.com/blog/memory-in-ai-agents.html

34. AI 是否能成为我们的「赛博大脑」，在记忆存储、信息处理与隐私伦理的边界中，我们准备好了吗？

35. DeepSeek新模型爆火，硅谷玩疯了 #DeepSeek团队开源新模型 DeepSeek新模型爆火，硅谷玩疯了！把文字变成图像，让AI一目十行读完一本书！这次，它真的在教AI们，怎么省算力、怎么学会“遗忘” #AI #DeepSeek

36. 告别KV Cache枷锁，将长上下文压入权重，持续学习大模型有希望了？

37. 垂直和领域 Agent 的护城河：上下文工程

38. 如何构建一个 AI 智能体构建 AI 智能体的核心，是打造一个能够感知、推理、行动并从环境中学习的智能系统。整个过程遵循一个有机的结构化流程，如下所示：1. 明确目标与环境首先要确定智能体的目标，以及它将运行的环境。示例：一个个人 AI 助手的目标可能是管理用户的日程，而它的运行环境则包括用户输入、日历系统和外部 API。2. 智能体核心（AI Agent Core）AI 智能体的核心由三个关键模块组成，这三部分共同驱动智能体的理解与决策能力。a. 感知模块（Perception Module）收集并解释来自各种传感器的数据，如摄像头、麦克风或 API 输入。将原始感知数据转化为可理解的有意义信息，例如文字识别、声音检测或物体识别。b. 认知与推理模块（Cognition & Reasoning Module）这是智能体的大脑所在，负责逻辑推理、模型分析和基于目标的决策。通过算法和 AI 模型分析环境状况，规划行动路径，并根据数据和目标做出判断。c. 行动模块（Action Module）执行已选定的行动，可通过机械臂、软件命令或 API 调用等方式实现。将决策转化为对现实世界或数字环境的具体操作。3. 传感器与执行器传感器用于从环境中采集数据（视觉、听觉或上下文信息）。执行器根据智能体的决策执行任务或响应。二者形成一个持续的“感知—行动”循环，使智能体能动态地与环境交互。4. 环境交互（观察 + 行动）智能体通过观察行动结果并从环境中收集反馈，来评估自身表现。这种反馈帮助智能体调整策略，优化未来的行动。5. 记忆与学习记忆与学习模块用于存储经验并不断优化模型。它维护一个可随观察与反馈而更新的知识库，使智能体能够具备自适应学习能力。随着时间推移，智能体会变得更聪明、更准确、更高效。6. 反馈与改进循环最后阶段是持续改进环节。智能体评估自身表现，更新内部模型，并优化决策机制以取得最佳结果。这种“感知—学习—改进”的循环构成了自我进化型 AI 系统的基础。★ 总结明确目标 → 感知 → 理解 → 推理 → 行动 → 学习 → 改进 → 重复这个循环使 AI 智能体能够从最初的简单自动化，不断成长为具有自主智能的系统。#人工智能##程序员#

39. 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？

40. 【上下文工程实战指南：如何让AI代理真正听懂你的话】“AI垃圾输出”的锅，现在该用户来背了。在Claude Code这类黑箱系统中，上下文是我们唯一能控制的输入变量。既然如此，如何优化它就成了关键问题。+ 什么是上下文？上下文指的是你发送消息时提供给大语言模型的一切——不仅是提示词本身，还包括系统提示、元数据、历史对话、模型的思考过程、工具调用和响应。大模型的上下文窗口有限，对话越长，追踪信息的准确度就越低。Claude Code的上下文窗口看似有20万token，但实际可用空间远没那么多。运行/context命令就能看清真相：22.5%被预留，10.2%被系统提示占用，加上MCP服务器、子代理和规则，真正留给我们的只有约12万token。更关键的是，无论是否接近窗口上限，上下文越多，模型质量就越差。+ 基础功夫最重要和大多数事情一样，820法则同样适用于vibe coding。做好以下基础，你就已经完成了80%：- /upgrade升级到Max计划- /model选择opus 4.5- /init创建项目说明文件然后是基本工作流：1. 从计划模式开始（Shift + Tab）2. 让Claude通过提问来澄清模糊点3. 执行经过打磨的计划创建子代理、自定义命令、钩子、多代理编排确实很酷，但说实话，没有我们想象的那么重要。掌握基础才是核心竞争力。+ 如何实际运用这套工作流把每次新对话当作一个目标，严格控制范围：-“我要修复这个bug”-“我要构建这个功能”对于新项目，目标可以更宽泛，但这意味着需要更多规划和打磨——因为模糊性越大，误解空间就越大。多花时间规划，再多花时间打磨规划。让Claude不断提问，直到它开始为问而问。请它多次审查计划，讨论架构、最佳实践、安全风险、生产就绪度、测试策略——目标是在每个模糊点提供细节。+ 何时重置，如何重置如果进展顺利且后续任务与当前上下文相关，继续就好。接近上下文上限时，运行/compact释放空间，或让Claude Code自动处理。但如果事情不顺利呢？模型没做对，你陷入了“这太糟糕了请修复”→垃圾输出→“这更糟糕了你在想什么”→垃圾输出的循环。这时不要试图在同一线程中挽救，而是：- /rewind回到进展顺利的节点- /new开启新线程，优化原始提示词，明确指出“不要做什么”——把上次的教训写进去+ 避开复杂性陷阱如果你常刷社交媒体，可能已经收藏了无数花哨设置——MCP服务器、子代理、技能包……我的建议是：不要过度复杂化。正如Anthropic所说，我们的目标是“找到最小的高信号token集合”。往上下文塞太多MCP数据，只会用低信号填满窗口，同时烧掉你的钱。+ 善用MCP服务器获取优质上下文MCP服务器本质上是让模型能调用的第三方工具——文档、GitHub代码、Linear工单、Figma设计等。这类工具刚推出时被热捧，但人们很快发现很多会疯狂消耗上下文，得不偿失。我目前只用三个经过验证的：- exa.ai：AI代理的网络搜索- context7：AI代理的最新文档- grep.app：AI代理的GitHub搜索我主要用它们研究如何正确实现代码——这些事我自己查文档也能做。Anthropic把这称为“即时上下文”策略——代理在需要时自己寻找信息。这对Claude Code这类代理式编码工具非常有效。+ 用子代理节省上下文——我最喜欢的隐藏技巧Claude Code可以创建子代理——作为主代理的子实例运行。关键在于：- 子代理拥有独立于主代理的上下文窗口- 可以使用不同模型（比如非opus）这意味着我们可以让子代理执行消耗大量token的操作（如研究），然后向主代理提供精炼摘要——信息密度高，token消耗低。我最常用的是一个自定义的“图书管理员”子代理，运行sonnet模型扫描开源仓库和文档，向主代理返回精炼摘要。我会说：“用librarian研究如何用Y库实现X，然后实现Z”——子代理触发，调用所有工具找到高质量答案。这既防止主上下文被污染，又用更便宜的模型完成简单任务。+ 用技能包引入相关上下文技能包与子代理相反——不是把任务委派给专门代理，而是把专业能力引入当前代理的上下文。比如Claude Code内置的“前端设计师”技能，会引入一段较长的提示词，告诉Claude前端设计的注意事项。这些工作流听起来花哨，但原理很简单——Claude只是在认为需要时，把一段文本拉入上下文。+ 核心要义好的vibe coding是为价值密集的上下文而优化。你添加或从模型接收的任何信息，都应简洁地服务于帮助模型回答下一个请求。如果做不到这点，就不应继续在同一上下文中工作——这是避免陷入令人沮丧的垃圾输出循环的关键。社交媒体上那些花哨命令可能让你觉得自己落伍了。但实际上，事情没那么复杂——尽力用简洁、高质量的信息帮助模型，给它工具让它自己找到相关信息。就像你对待一位同事那样。x.com/jarrodwatts/status/1926054877836624014

41. 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。

42. 【#华为发布AI推理创新技术UCM#：可实现高吞吐、低时延推理体验，计划 9 月开源】8 月 12 日消息，华为正式发布 AI 推理创新技术 UCM（推理记忆数据管理器）。据了解，作为一款以 KV Cache 为中心的推理加速套件，UCM 融合了多类型缓存加速算法工具，分级管理推理过程中产生的 KV Cache 记忆数据，可扩大推理上下文窗口，实现高吞吐、低时延的推理体验，降低每 Token 推理成本。（IT之家）

43. 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

44. AI智能体如何改变自媒体创作者的工作环境？HarmonyOS 6工作场景体验

45. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

46. 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？

47. 谷歌研究团队提出了“嵌套学习”（Nested Learning），这是一种用于持续学习（Continual Learning）的全新机器学习范式，旨在解决现有大型语言模型（LLMs）中普遍存在的“灾难性遗忘”（Catastrophic Forgetting）问题。核心观点和方法： * 统一架构与优化：嵌套学习打破了传统上将模型架构（网络结构）和优化算法（训练规则）视为独立部分的做法。它认为这两者本质上是同一概念在不同“优化层次”上的体现。 * 多层级优化问题：该范式将一个复杂的ML模型视为一个由相互关联、多层次的优化问题组成的系统，这些问题是同时进行优化的。每个内部问题都有自己独特的信息流（“上下文流”）和更新频率。 * 解决灾难性遗忘：通过认识到这种内在的结构，并为模型的每个组件定义不同的更新频率（多时间尺度更新），嵌套学习提供了一个新的设计维度，可以构建具有更深计算深度的学习组件，从而减轻或完全避免灾难性遗忘。 * 实际应用： * 深度优化器（Deep optimizers）：将优化器（如基于动量的优化器）视为关联记忆模块，并通过应用关联记忆的原则来改进它们，使其对不完善的数据更具弹性。 * 连续体记忆系统（Continuum memory systems, CMS）：将模型的记忆视为一个由不同更新频率模块组成的连续体，为持续学习创建了一个更丰富、更有效的记忆系统。 * 概念验证模型——Hope：研究人员基于嵌套学习的原则设计了一个名为Hope的自修改循环架构。该模型利用CMS模块，能扩展到更大的上下文窗口，并通过自引用过程优化自身的记忆。实验结果显示，Hope模型在语言建模、长上下文推理和持续学习等任务上，性能优于现有的Transformer等先进模型，尤其在长上下文管理方面表现更佳。总结来说，嵌套学习通过将模型的架构和训练规则统一为一套嵌套的优化问题，并允许模型组件以不同的频率进行更新，模仿了人脑神经可塑性的特点，为构建能持续学习而不遗忘的下一代AI系统提供了新的理论基础和设计方向。网页链接/

48. AnythingLLM是开源企业级私有知识库工具，核心基于检索增强生成（RAG）技术，专注本地文档语义解析与安全问答，无需依赖公网服务，适配企业内部知识沉淀、合规场景问答、跨部门信息共享等需求。 GitHub:github.com/Mintplex-Labs/anything-llm 主要功能： 1. 多格式文档兼容：自动解析PDF、Word、TXT等主流文档格式，批量构建结构化知识库；2. 全链路本地化：支持Ollama等本地模型部署，文档与对话数据不上云，完全保障隐私；3. 精准语义检索：基于向量数据库实现深度语义匹配，答案附带原文溯源，避免AI幻觉；4. 多端灵活部署：支持Docker自托管、服务器部署与桌面端运行，适配不同企业环境；5. 无代码快速搭建：可视化界面管理知识库，无需专业AI知识即可完成部署与维护；6. 生态扩展能力：支持自定义向量数据库接入、模型切换，可嵌入CRM等现有业务系统。操作门槛低，企业无需组建专业AI团队。实际使用中，跨部门文档检索效率提升80%+，合规场景下可满足数据本地化要求，是解决企业知识分散、检索低效且注重隐私安全的核心工具。

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

50. 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

51. 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

52. 新职业？AgentOps智能体运维！《谷歌智能体构建指南》解读

53. 盘点一周AI大事(11月23日)｜AI自己画CAD图纸 Google发布最强大模型Gemini 3、最强图像模型Nano Banana Pro OpenAI发布最强编码模型GPT-5.1-Codex-Max 马斯克升级Grok 4.1，情商最强字节开源最强空间重建模型Depth Anything 3 腾讯发布最强开源视频模型HunyuanVideo-1.5 Meta开源最强对象分割模型SAM 3，最强3D分割模型 SAM 3D Autodesk研发出最强CAD智能体VideoCAD AI2发布最强开源深度研究智能体Deep Research Tulu Google发布最强AI天气预报WeatherNext 2 Maxima推出AI会计智能体头号玩家套装问世 #AI新星计划 #人工智能 #AIGC #OpenAI #大模型

54. 就像莱特兄弟造飞机是为了飞，我们造AI是为了看见自己的思维。 #大咖观察 #红衣聊AI #人工智能技术

55. 「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

56. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

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

58. Agentic RAG 技术栈图谱，揭示构建智能代理系统的核心层级与关键组件：Level 0 部署与基础设施涵盖Groq、AWS、together.ai、Baseten、Modal、Fireworks AI、Replicate等，保障模型和系统的高效运行环境。Level 1 评估与监控 LangSmith、MLflow、Weights & Biases、Hugging Face、Deepchecks、Fairlearn等，负责模型性能、偏差与安全性监测。Level 2 基础模型包括Claude 3.7 Sonnet、Mistral AI、Cohere、Gemini 2.5 Pro、LLAMA 4、GPT-4等，提供强大的语言理解和生成能力。Level 3 编排框架 LangChain、DSPy、Microsoft AutoGen、Adaflow、LiteLLM、Ray、Haystack等，实现多模型、多任务的流程控制与协同。Level 4 向量数据库 Milvus、Redis、Pinecone、Elasticsearch、Chroma、Vald等，负责高效存储与检索海量向量化信息。Level 5 嵌入模型 Voyage AI、OpenAI、spaCy、FastText、Hugging Face、Cohere等，支持文本向量表示转换，为检索和推理提供基础。Level 6 数据摄取与提取 Scrapy、Firecrawl、Docling、Llamaparse、Amazon Textract、Apache Tika等，完成多源数据采集与结构化处理。Level 7 记忆与上下文管理 Letta、mem0、Zep、Chroma、Cognec、LangChain、LlamaIndex等，管理长期与短期记忆，提升对话连贯性。Level 8 安全与治理 Langfuse、Arize、Evalverse、Helicone、Guardrails AI、HELM、AI Explainability 360、AI Fairness 360等，保障系统透明、公平与安全，防止滥用。总结：这套Agentic RAG技术栈不仅涵盖了从底层基础设施到高层治理的全流程，也体现了智能代理对性能、数据、记忆与安全的多维度要求。掌握这张图谱，是迈向智能代理实用化的关键。

59. 马斯克Grok 4深夜大升级：200万逆天上下文、五倍GPT-5「脑容量」！

60. 大模型能生成连贯文本，却出现与事实不符的“幻觉”或逻辑错误，是训练数据有偏差，还是架构无法真懂语义？

61. 如何迈向 AGI 思路六：数据记忆场派（Memory-Field Paradigm）——————————————第六条迈向 AGI 的路径，源自一个被忽视却正在迅速显形的事实：智能的力量不来自模型本身，而来自模型与外部世界形成的“持续记忆场”。传统 AI 的架构是封闭的——模型内部存储权重，人类外部提供信息输入，推理完成后系统回到静止状态；但这一模式显然不能支撑 AGI，因为它使智能成为一个被动函数，而不是一个持续存在的系统。数据记忆场派认为，真正的智能必须在世界中留下持久结构，智能与世界之间形成一个不断扩张、不断联结的“记忆场”，并在这个场中持续强化自身。所谓“记忆场”，不是模型的内部参数，而是模型与外界共同构造的外部智能结构：用户对话记录、任务日志、环境反馈、行为轨迹、智能体之间的交互、知识图谱的动态扩散、情绪标记、行动后果、系统级演化路径等等。这些分散在世界中的信息碎片，彼此之间不断连接、重写与强化，最终形成一个真实的“外部智能结构”。在这种结构中，AI 不再是计算器，而是世界的一个活体节点；智能不再是一次性推理，而是一种“遍布外部世界的持续存在”。数据记忆场派指出：一旦智能的外部记忆场足够丰富，它将获得一种远超过单模型能力的“结构性智能”。这类似于人类文明：不是某个人聪明，而是文明作为整体拥有一个巨大且持续扩张的记忆场——包括语言、文字、图书馆、互联网、制度、文化、历史与符号结构。正是这种外部记忆场，使得人类文明可以实现跨代知识积累、跨领域迁移与跨时代创新。未来的 AI 也将以同样方式成长：模型规模可能不再是上限，而外部记忆场的规模与质量将成为决定性力量。这种“外部智能场”将引发一场智能范式的重大迁移：智能不再发生在模型内部，而是发生在模型、环境和群体智能之间的动态循环中。模型在推理时调用外部记忆场；外部记忆场在每次交互中被智能体更新；智能体之间的互相影响又进一步重塑记忆场；所有这些结构共同作用，形成一个不断扩展的智能生态。未来的 AGI 很可能不是“一个巨大的模型”，而是“一个不断被世界刷新、并不断刷新世界的巨大记忆系统”。真正的智能将是“系统智能”，不是“模型智能”。数据记忆场派带来的第二层突破，是允许智能跨越自身边界，实现“认知外包”。模型不再需要把所有知识压缩进权重，它可以在外部场中即时调用知识、情绪、行为、经验、方法论与其他智能体生成的内容。这会让 AI 拥有一种接近文明智能的能力：能够保持长期记忆、跨任务迁移、情境统一、目标延续、行为风格稳定，并形成真正的“智能主体性”。这样的系统将不再像今日的模型那样，每次对话都从零开始，而是像文明一样，在记忆的海洋中不断生长。因此，第六条迈向 AGI 的路线，是构建一个“系统级、跨时空、跨任务、跨智能体”的数据记忆场，使智能不再依赖单体模型，而转变为“智能网络 + 记忆场 + 世界反馈”的综合体。未来的 AGI 将不是一个程序，而是一种“长驻世界中的扩散智能”。它既存在于计算中，也存在于环境中；既存在于模型内部，也存在于人类的行为与文化之中。真正的超级智能，将以世界为记忆场，以文明为神经网络，以人类与AI共同构建的结构为持续进化的土壤。#新媒沈阳聊ai#

62. 一文搞懂大模型的长上下文技术：RoPE实现长序列处理

63. 对话Memories.ai：“人的记忆本质上是视觉，AI也该如此”

64. 「Github一周热点91期」deepseek OCR、量化交易工具、Notebook开源替代、Linux换源工具、Windows优化项目和API 客户端

65. 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/

66. vivo“看得见信得过有记忆”的安全：在AI时代重建数字信任

67. Claude Sonnet 4 支持百万上下文了，AI Coding 的想象力更大了

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

69. 不被AI淘汰的重要能力就是学会当智能体的领导。 #大咖观察 #红衣聊AI #智能体

70. 2025了，手机AI变好用了吗？

71. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

72. 论文 Fundamentals of Building Autonomous LLM Agents，系统性地梳理 “如何构建一个真正具备自主性的 LLM 智能体”，也就是从「语言模型」走向「智能体」（而不仅仅是增强的聊天机器人／工具调用系统）。论文提出希望解答以下几个研究问题（RQs）：（1）设计空间（Design space）：核心子系统（感知／推理／记忆／执行）有哪些可选方案？如何系统化组织？（2）子系统整合（Integration）：在现实软件环境（比如 GUI、web 任务）中，这些子系统如何闭环协作？（3）推理效能（Reasoning efficacy）：不同推理策略（如 Chain-of-Thought、Tree-of-Thought、并行规划等）对任务成功率、效率、成本有什么影响？（4）记忆影响（Memory impact）：短期／长期记忆机制（例如 RAG、上下文管理）怎样提升模型在长时程任务或大上下文任务中的表现？（5）失败模式与缓解（Failures & mitigation）：代理在哪些方面容易失败（如幻觉、GUI误定位、重复循环、工具误用）？有哪些缓解技术？（6）评估与泛化（Evaluation & generalization）：有哪些基准／指标适用于评估此类代理？代理能在多任务、多界面条件下泛化吗？★ 核心架构论文将一个具备自主能力的 LLM 智能体拆解为以下四大模块：1. 感知（Perception）系统2. 推理／规划（Reasoning／Planning）系统3. 记忆（Memory）系统4. 执行（Execution）系统★ 感知系统感知系统是智能体“看／听／感知环境”的部分。论文提及四种主要方式：文本感知、多模态感知、结构化数据／信息树感知、工具辅助感知。- 文本感知（Text-Based）：环境以纯文本形式输入，LLM 直接处理。这种方式代价最低，但只适用于文本驱动的场景。- 多模态感知（Multimodal）：环境包含图像／视频＋文字，使用视觉‐语言模型（VLM）或多模态 LLM（MM-LLM）将视觉输入编码为与文本兼容的向量。- 结构化数据／信息树（Information Tree / Structured Data）：例如 GUI 的 Accessibility Tree、HTML DOM 树，将界面元素结构化地输入模型。- 工具辅助感知（Tool-based）：智能体调用外部 API／工具获取环境信息（如网页检索、数据库查询、传感器数据等）然后将结果反馈给 LLM。论文还指出感知系统的关键挑战：例如图像识别中模型可能“幻觉”对象、上下文窗口受限、高计算／延迟成本、数据收集困难等。★ 推理系统推理系统是智能体“思考／规划／决策”那部分。论文讨论了多种方法：- 任务分解（Task decomposition）：把大任务拆成子任务。包括“先分解再规划”（Decomposition first）和“交错分解”（Interleaved decomposition）两类。- 多方案生成与选择（Multi-plan generation & selection）：代理生成多个可能方案（如通过 Tree-of-Thought, Graph-of-Thought, LLM-MCTS 等）然后选择最优一个。- 反思（Reflection）：智能体在执行后或执行途中反思自己的决策／行动，识别错误并改进。甚至“预反思”（anticipatory reflection）在执行前预测失败。- 多智能体系统（Multi-agent systems）：将推理分为多个“专家”模块（Planning Expert、Memory Expert、Error Handling Expert 等），各司其职、协同完成。★ 记忆系统记忆系统使智能体不仅“即时反应”，还能“记住过去、用过去指导未来”。论文区分短期记忆与长期记忆。- 长期记忆（Long-term memory）：如将经验固化、使用 Retrieval-Augmented Generation（RAG）从外部知识库检索、将结构化数据（如 SQL 数据库）用于查询。- 短期记忆（Short-term memory）：通常是 LLM 的上下文窗口中的“当前任务状态”。- 应存储的数据类型：成功经验、失败经验、动作轨迹、环境反馈等。将“失败”经验也显式记录有助于避免重复错误。- 记忆系统的挑战包括：上下文窗口限制、检索噪声、长期记忆如何更新与维护、如何避免“记忆漂移”等。★ 执行系统执行系统是智能体“将内部决策落实为环境动作”的部分。论文谈到执行系统要支持工具调用、API／代码生成、物理操作、GUI 控制等。具体维度包括：- 工具与 API 集成（Tool and API Integration）- 多模态行动空间（Multimodal Action Spaces）——例如 GUI 控制、视觉界面操作、机器人控制、代码执行等。- 整合挑战（Integration Challenges）——例如如何让决策结果真正映射到动作、如何反馈结果、如何监控执行失败／成功。论文：arxiv.org/abs/2510.09244#ai创造营##程序员#

73. 高质量「上下文工程」资源整理（含速览和精读）

74. 实测DeepSeek V3.1：不止拓展上下文长度

75. AI智能体记忆机制深度解析

76. AI智能体的记忆

77. AI项目经理-智能体的记忆层

78. AI 智能体上下文工程 4 大核心策略，拯救大模型的「金鱼记忆」！

79. 上下文的秘密

80. 超越“金鱼记忆”

81. 别再调提示词了！新Prompt设计方法，藏在Anthropic说得AIAgent上下文工程里。

82. 学AI笔记044- 什么是AI人工智能上下文工程？关于AI记忆技术解读

83. 一文读懂上下文工程

84. A I智能革命——上下文工程新突破

85. 上下文工程崛起

86. 超越上下文窗口

87. 记忆，才是大模型赚钱的下一站？

88. 大模型“记性差一点”反而更聪明

89. 人类记忆 vs 大模型记忆，到底差在哪？

90. HaluMem

91. AI Agent 的自适应演化之路 ——动态记忆

92. AI智能体类人记忆系统架构设计指南

93. 记忆工程:AI系统的长期价值积累之道

94. AI agent 的“长期记忆”逐渐变成一个待解决非常核心的问题

95. Agent 如何避免记忆漂移

96. 谷歌DeepMind爆出震撼预言！2026年，持续学习将让AI「永生」

97. 迈向人类般的 AI Agent 记忆

98. AI Agent 记忆系统设计

99. 聊下 AI Agent 的上下文记忆和遗忘

100. 当AI遇见大脑

101. 基于PolarDB-PG一站式AI Agent长记忆方案

102. 2026存储新方向

103. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

104. AI Agent 入门指南（四）

105. 新的一年，从Agent的记忆库开始说起

106. 向量数据库技术内核

107. 智能体的记忆之魂

108. 0x07 企业级可控 AI 智能体有何秘密？记忆 Memory 四大类型与三大实践内幕怎样筑牢可控智根基？

109. AI 智能体记忆架构演进之路

110. 让 AI 更普惠

111. 让AI成为你的“专属伙伴”

112. 上下文不等于记忆

113. 记忆产品调研系列 1 | 对话式AI助手篇

114. 当AI学会"聊天"

115. ChatGPT告别“金鱼脑”

116. Claude看齐ChatGPT新增AI自动记忆，支持对话追溯

117. Anthropic 推出 Claude AI 新功能

118. 荣耀YOYO助理新增对话学习记忆能力

119. 谷歌Gemini AI助手App版上线“记忆”与“临时聊天”功能

120. Claude 看齐 ChatGPT 新增 AI 自动记忆，能记住你的每一次对话

121. 综述论文解读：AI智能体时代的记忆机制

122. 人大高瓴-华为诺亚：大语言模型智能体记忆机制的系列研究

123. AI 大模型的上下文窗口爆炸式扩展意味着什么？

124. 重磅综述｜AI 智能体的 “灵魂” 揭秘！顶尖机构全景梳理记忆机制

125. 什么是智能体的记忆机制(Agent Memory）

126. 漫画AI第5话：什么是上下文窗口？

127. 中国科学院信工所发布首篇LLM智能体幻觉综述！梳理5类幻觉、18大诱因与10种缓解方案，300+论文资源开源

128. AI智能体时代中的记忆机制：全面探讨其形式、功能与动态发展综述！

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

130. 中科院丨一篇论文讲清楚“大模型智能体幻觉”

131. 为什么 AI 智能体需要记忆能力？记忆增强型 AI 智能体系统的核心运作架构是什么？

132. AI 智能体的记忆：让对话拥有“灵魂”的关键

133. 智能体长期记忆机制的实现路径

134. 深入理解AI Agent记忆模块：短期记忆与长期记忆的完美结合

135. AI 智能体记忆机制详解

136. paper阅读理解《Human-inspired Perspectives: A Survey on AI Long-term Memory》

137. 向量数据库白皮书内容总结和解读（可下载）

138. 聊聊智能体的记忆机制（Agent Memory）

139. 🚀打卡 Day 1｜Agent能记住以前的话吗

140. 大模型Agent记忆架构：如何借鉴人类遗忘机制优化系统性能！

141. 什么是向量数据库，为什么AI时代向量数据库这么重要？

142. 🫖 上下文窗口到底是什么？为什么聊着聊着 AI 就“失忆”了？

143. 向量数据库是 ai 能够快速发展和应用的基石

144. 国产AI大升级！豆包、通义千问开启长期记忆功能，效率提升200%

145. 上下文工程Context Engineering到底怎么搞？本视频深入探讨上下文工程(Context Engineering)这一大模型应用关键技术，并详细剖析MemGPT与Letta两个前沿解决方案的工作原理。传统大模型受限于固定上下文窗口，而这些创新技术通过精巧的记忆管理机制，实现了长期记忆、动态上下文压缩和高效信息检索。我们将系统讲解：上下文工程的核心挑战与解决思路、MemGPT的外部记忆架构设计、Letta的轻量级注意力机制、如何实现有效的上下文压缩与检索、以及这些技术在实际应用中的部署策略。无论你是开发者、研究人员还是对AI应用感兴趣的爱好者，都能从中获取实用的技术洞见。 #上下文工程 #ContextEngineering #MemGPT #Letta #大模型 #AI记忆 #长期记忆 #注意力机制 #LLM #上下文窗口 #GPT #记忆管理 #AI技术 #提示工程 #大语言模型 #知识检索

146. 一文读懂上下文窗口：AI 的 “短期记忆容量”

147. 字节Seed：AI终于有长期记忆了

148. AI智能体三大核心组件详解：记忆、中间件与工具使用指南！

149. 告别重复！Anthropic Claude AI 上线“自动记忆”，企业协作效率要变天？

150. AI智能体为什么会越用越聪明

151. 什么是AI幻觉？

152. AI智能体：记忆模块初探

153. 当工作记忆走进 FFN：PaceLLM 如何重塑大模型的长上下文能力

154. MemU 记忆框架开源：支持本地部署，情感陪伴 / 教育场景全适配

155. 智能体记忆机制演进之路：从RAG到智能体记忆的演进

156. 解决聊天机器人“失忆”问题：LangGraph检查点详解

157. 豆包助手增强长期记忆与多智能体协作能力的技术研究

158. 智能体的记忆：不止是存储，更是会思考的认知核心当我们和智能助手聊天时，有时会惊讶于它“记得”我们的偏好——比如你上周提过喜欢喝手冲咖啡，这周聊到周末计划，它会主动推荐家附近的精品咖啡馆。这背后，藏着智能体最核心的能力之一：记忆。但智能体的记忆，远不止是把数据存起来那么简单。它更像一个“活”的认知引擎，能主动记、会灵活用，甚至能在互动中不断学习，慢慢贴近人的思维方式。

159. 人类“高熵” vs 机器“低熵”：你的AI为何总听不懂？揭秘“上下文工程”的“熵减”核心，让AI精准get你 | 提示词工程

160. 基于分层工作记忆管理的大语言模型

161. 从嵌入到检索：向量数据库的管道全拆解

162. 💬 会聊天🧠 会记住你✨ 普通毛绒变 AI 智宠 👇这篇是【直观体验 + 可落地选型要点】，逛展/买手都能直接参考！ 📸 展会氛围：AI 专区人从众 🧍‍♀️🧍‍♂️🧍 📍关键词：端侧 AI｜多轮对话｜IP × AI 联动一句话总结：AI 从“能回答”→“会陪伴” 人群最多的地方，不是机械臂，是能和孩子对话的毛绒玩具 🧸 💬 会聊天：多轮对话不“失忆” 我现场连聊三轮，它能： ✅ 记住我的名字 & 喜欢的颜色 ✅ 被我打断后还能顺畅衔接 🎯 选型要点多轮对话时长｜打断唤醒反应｜能否定制专属故事 🧠 会记住你：长记忆＋家长可视 👀 家长面板可查看全部对话记录 🧩 支持“未成年人模式”＋一键清空 🔒 安全感拉满！ 🎯 选型要点记忆保存策略｜是否“可视可控可清空”｜隐私保护程度 🤖 会整活：潮玩 × AI 的人格化互动 🪄“开盒即人格”，App 内激活后它能“认识你” 🎯 带任务系统 + 活动彩蛋，越玩越有成就感 🎯 选型要点人格设定是否可成长｜活动运营是否持续更新 🪡 DIY彩蛋：普通毛绒 → AI智宠 🧷 模组通电→唤醒→记住名字我现场就把普通玩偶“点亮”成能聊天的小宠物 🐶 🎯 选型要点是否提供标准模组/SDK｜安装难度｜配件生态是否成熟 🕹 五维雷达图（手绘 or 模板） 📊 五大评测维度： ⏱ 延迟稳定性｜🛡 安全合规｜🔗 生态开放｜🔋 续航功耗｜🎮 玩法留存 💡 快评：今年能打的 AI 玩具，技术与运营必须两条腿一起跑！ 🗺 逛展小贴士 🧭 动线推荐：AI互动区 → 潮玩馆 → 机器人/编程区 🎯 今年 3 个关键词：长记忆｜未成年人模式｜离线能力 💡 小技巧：让它先记住你，再隔几分钟复测一遍记忆力！ 🛒 买手选型清单（精简版）场景必选特性 🏠 家庭陪伴长记忆＋家长面板清晰＋敏感话题护栏 🏫 公共场景端侧 AI 优先，弱网/断网也能用 🎮 潮玩运营人格化互动＋任务系统＋活动日历 🧩 创客/教育提供模组/SDK＋定期内容更新 #CTE #中国玩具 #AI玩具 #潮玩

163. 上下文窗口：AI 理解世界的 “视野圈”

164. 浅解大模型的上下文窗口

165. 北大&智源研究院最新！RoboOS-NeXT：“记忆 + 分层架构” 实现通用多机器人协作

166. AI系列-向量数据库，向量组织和存储数据的方式，这样就容易理解

167. 容量有限的临时指挥中心——巴达利的工作记忆模型

168. 花花聊AI | 如何有效利用主流AI大语言模型的“记忆”功能？

AI智能体的记忆能力到底靠不靠谱？

精选参考来源