2026年AI记忆能力突破：斯坦福MemoryArena评测与腾讯云记忆增强架构落地_服务软件

1. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

2. 在AI时代，算力决定速度，内存决定高度。 #大咖观察 #红衣聊AI #GPU #内存

3. 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#

4. 刚刚，Claude实现「永久记忆」！官方还没上线，大神已玩疯

5. 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#

6. LLM，RAG和Agent不是割裂的，而是一个整体。如果把 AI 系统比作一个生命体，那么 LLM = 大脑，RAG = 记忆，Agent = 执行系统。LLM 像是大脑的皮层，擅长理解、联想和表达。它能在复杂的语言世界中“即兴发挥”，像人类一样推理、总结、编故事。也会在需要时做出“认知上的决策”——比如分析问题的思路、选择回答的方向。然而，大脑并不擅长记住具体事实。它能推断“苹果会掉下来”，却未必记得“牛顿是什么时候发现的万有引力”。这时，就需要「RAG」登场。RAG 相当于一个“外接记忆系统”。当大脑想不起细节时，它能立刻翻查资料库，把相关的事实、文档、图像调出来，再交还给大脑整合成一段有根据的回答。于是，大脑不再是“瞎编”，而是“有据可依”。从技术上讲，这就像给模型装上一个搜索引擎——但比搜索更聪明，因为它能理解上下文、筛选关键信息、甚至融合多个来源的内容。Agent 则像是神经系统中的“执行层”。大脑想出了计划，记忆提供了依据，而真正“去行动”的，是 Agent。它决定什么时候要产生计划，要不要调用工具、查阅资料、生成报告，甚至与外部世界互动。可以说，LLM 负责“想”，RAG 负责“记”，Agent 负责“做”。当这三者协同工作时，AI 便不再是一个“聊天机器人”，而是一个有意识、有记忆、有行动能力的“数字生命”。#ai创造营##科技#

7. 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

8. 一夜之间，AI终获「永久记忆」！最难考试99%刷爆SOTA，全网直呼疯狂

9. 突破一亿Token极限：EverMind提出MSA架构，实现大模型高效端到端长时记忆

10. 创新Transformer！面壁基于稀疏-线性混合架构SALA训练9B模型，端侧跑通百万上下文

11. 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？

12. #人工智能#当OpenAI砸3000亿建数据中心、xAI 豪掷10.8亿抢芯片，美国科技巨头们在AI 算力赛道上疯狂内卷时，微软CEO纳德拉的一句吐槽戳破真相：“库存里的芯片堆成山，却因为没电用不上”。缺电，正成为卡住 AI 泡沫的致命瓶颈。#AI创造营##AI智能# 凯文思考的微博视频

13. 你以为你看到的是AI的想法，实际上你看到的是：人类行为模式的一次完整数字回放。#大咖观察 #红衣聊AI #人工智能技术 #agent #AGI

14. 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？

15. memsearch：OpenClaw同源的记忆系统Zilliz 最近开源了 memsearch，从 OpenClaw 的记忆系统里提取出来的，核心思路很干净：Markdown 文件就是记忆的唯一真相。设计理念：Markdown is the source of truthAgent 的记忆就是本地文件，按天存，人能读、能改、Git 可以管理版本。索引坏了？删掉重建，原始记忆一行不丢。这是对"数据库黑盒"方案的直接反叛。三步记忆范式- Recall：用混合检索（向量语义 + BM25 关键词）从历史记忆里找相关上下文- Think：把检索结果注入 LLM，做有记忆支撑的推理- Remember：把这次对话写回 Markdown，自动重新索引几个工程细节值得关注- SHA-256 内容哈希去重：内容没变就不重复 embed，大幅降低 API 成本- 文件监听自动索引：开启后，文件一保存立刻更新向量库，删文件时对应 chunk 也同步清除- 多 embedding 引擎：支持 Gemini、Voyage AI、Ollama（本地）、sentence-transformers（离线），换引擎只改配置，历史记忆不影响和 Mem0 / Zep 的本质区别Mem0、Zep 把记忆存在数据库里，人看不到、改不了、换供应商就麻烦。memsearch 的记忆就是普通文本文件：看改动，查历史，跨机器同步，零供应商锁定。主要短板：暂不支持时序关系图谱和多 Agent 共享记忆，适合单 Agent 长期记忆场景，不适合复杂多 Agent 协作系统。🔑 三个关键点① Markdown 文件即记忆，人类可读可编辑，彻底解决 AI 记忆的"黑盒"问题② 混合检索（向量 + BM25）比单纯语义检索精度更高，"Redis 缓存"能精确匹配到相关决策③ SHA-256 去重 + 文件监听自动索引，工程上几乎是零维护成本GitHub：github.com/zilliztech/memsearch#how i ai##程序员#

16. 大脑记忆功能是天生的还是可以后天训练的？

17. 看了一晚上 Claude Code 泄露的代码，结合常见的记忆管理框架，把记忆模块做了一些分析。Tulving 老爷子在 1972 年提出了记忆系统的框架设计，至今仍在广泛使用，他把记忆分为三类：1）情境记忆（episodic memory），我干了啥，用来记录过去；2）语义记忆（semantic memory），我知道啥，用来提炼规律；3）以及程序化记忆（procedural memory），我会做啥，用来决定行动。这些记忆之间是存在相关性的，例如我经历的事情（情景记忆）会慢慢遗忘细节，储存在脑海中的是提炼后的规律和知识，也就是压缩成了语义记忆；而我知道的东西又会逐渐内化为行动的指引，变成一种“知道怎么做”的能力，这就是程序化记忆；程序化记忆反过来又会指导行动，从而产生新的经历。三者构成了一个不断循环的过程：经历 → 知识 → 技能 → 新的经历。Claude Code Memory 在这几块都有对应的实践，例如每轮次的对话它会以 jsonl 格式做储存，这是情境记忆；同时在对话过程中还会有 SessionMemory 做实时蒸馏，相当于一边发生一边做初步整理。每轮次结束后，它会 fork 出一个子 Agent（extractMemories）去提取值得持久化的内容，写入带 YAML 头的 MD 文件，这一层对应语义记忆，把零散对话压缩成可复用的知识。更有意思的是它还有一个 autoDream 机制，会在后台做整合和修剪，把碎片化的内容重新组织、合并、更新，这一步很像记忆的巩固过程。很多框架都没有实现程序化记忆，而 Claude Code 做了。它有一个 feedback 的记忆类型，不仅记录了不要做什么（用户的纠正），还会记录哪些做法是对的（用户的确认），这些都是经验化的技能记录。多数系统只考虑负反馈，Claude Code 兼顾了正向确认，让 Agent 不至于越学越保守，这一点非常关键。相比 LangMem/Mem0/Zep/EverMemOS/MemOS 这些框架，Claude Code 肯定弱的像个菜鸡😄。它有很多能力是明显不足的，例如：不支持语义化召回（用 LLM 扫 metadata 代替向量检索，上限 200 个文件）、遗忘策略比较粗（24 小时 or 5 轮对话触发整合）、无关联网络（记忆是孤立文件），等等。真要像 EverMemOS/MemOS 那样追求全量记忆，工程和架构复杂度会直线上升，就拿 EverMemOS 来说，光基础设施就包含了 MongoDB/Elasticsearch/Milvus/Redis，更别说其他的附带依赖了。这类框架更适合做个人长期记忆管理。另外也去对比了下 OpenClaw，它的记忆实现也非常有意思。它不追求全量记忆，而是优先解决“记忆什么时候该被用”。它把记忆拆成了三层：全局层、工作区层、任务层，逐层收敛，只在必要的时候才把上下文拉进来。在 OpenClaw 眼里，记忆不是资产，正确使用记忆的能力才是。所以它的设计更侧重于重建临时的记忆网络。放在这个视角下再去看 Claude Code，就会发现它其实选了一条更偏执行的路径。对它来说，看清问题全貌也没那么重要。它解决问题的方式，更像人类工程师 debug，一边看、一边改、一边跑、一边修正，在行动中逐步逼近答案。在这个过程中，Memory 的作用就是一个“防遗忘机制”，保证关键上下文不会在多轮试错中丢失。

18. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

19. 属于Agent的文件协议来了！Selfware让Agent之间无缝传递上下文

20. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

21. Agent 框架记忆问题的解法～用过 LangChain、CrewAI 这些 Agent 框架的都知道一个痛点：它们的记忆管理很鸡肋。大多数框架的做法是：短期放在列表里，长期靠 RAG 检索。听起来合理，实际很脆弱。问题在哪？1. 信息丢失。RAG 只会检索出片段，但对话的整体脉络、为什么重要、前后的因果关系都丢了。用户说"上次那个项目"，Agent 可能查出相关文档，但根本不知道用户为什么关心这个项目。2. 幻觉加倍。Agent 基于零碎的检索结果推理，没有全局认知，自然容易编造细节。3. 记忆冲突。同一件事在不同时间表述可能不一样，Agent 也不知道哪个才是"真相"，结果前后矛盾。核心问题：RAG 本质是"我记不全，就检索部分"——但这对需要全局一致性的 Agent 任务来说，根本不够。文章的解法：混合记忆架构，不是非此即彼，而是分层：第一层：实时记忆 —— 最近 N 轮对话完整保留，一个字都不丢。这保证了 Agent 对当前对话的理解是准确的。第二层：压缩记忆 —— 更早的对话不是直接存，而是压缩成摘要。比如 50 轮对话压缩成"5 个关键决定 + 3 个重要背景"。成本低，还保留了信息密度。第三层：语义检索 —— 用向量数据库索引压缩后的记忆。这样检索时找的是"高浓度摘要"，而不是淹没在海量文档里。第四层：验证 —— 最关键的一步。Agent 每次从记忆里检索出来东西，要自己验证一下："这个旧记忆和我现在的对话一致吗？"不盲目信任。为什么这个方案值得用？1. 解决了 RAG 的致命问题——记忆有连贯性，Agent 知道全局脉络，不再前后不一。2. 成本可控——压缩记忆大幅降低向量库规模和 token 消耗，相比把所有历史都存下来，省一个数量级的钱。3. 可验证——加验证层，Agent 不会死板地信任过期的记忆。适用场景：- 长期对话的 AI 助手（用户期望 Agent 真的"记得我们的历史"）- 复杂多轮谈判或诊断（需要一致决策，不能前后矛盾）- 需要积累知识的任务流不适用的场景：- 单轮或短对话（没必要这么复杂）- 纯知识库查询（RAG 本身够用）原文：dev.to/diego_falciola_02ab709202/every-ai-agent-framework-has-a-memory-problem-heres-how-i-fixed-mine-1ieo#HOW I AI# #程序员#

22. LLM 的记忆问题「很快」就不再是问题了？

23. Agent 真正的护城河，正在从工具转向记忆资产

24. 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。

25. 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

26. 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

27. PAI（Personal AI Infrastructure）：给 AI Agent 装上持久记忆 Daniel Miessler 开源的 PAI，核心是把 Claude Code 改造成一个能持续进化的个人 Agent。关键在记忆系统。普通 AI 每次对话都从零开始，PAI 会记住： 1. 你的目标和偏好 2. 历次决策的过程和结果 3. 哪些方法有效、哪些踩过坑 4. 你对输出的评分和反馈设计上三个关键点： 1. Agent 的价值上限取决于记忆质量——每次交互都是训练数据 2. hook 系统是关键：在工具调用层面捕获信号，比对话层面更准确 3. 个人 AI 基础设施的竞争点不是模型，是上下文积累的深度整个工作循环：观察 → 思考 → 规划 → 执行 → 验证 → 学习 → 改进。每跑一次，Agent 对你的理解就深一点。实现方式不复杂：在 Claude Code 上加一层 hook 系统，每次工具调用前后自动捕获信号，沉淀进 MEMORY 目录。跨会话持久存储，下次启动直接读取上下文。大多数人现在搭 personal agent 的方式是手动维护一个 MEMORY.md，PAI 做的事是把这套流程系统化：自动写入、自动分层、自动迭代。项目：github.com/danielmiessler/Personal_AI_Infrastructure #HOW I AI# #程序员#

28. 小米HAD增强版来了！真实体验到底怎么样？还有到底什么是强化学习、什么是世界模型、什么是小米VLA 、XLA？这次我们用一个视频和大家聊聊...#小米HAD增强版抢先体验# 飞机先生_的微博视频

29. Claude Code自动记忆来了！配合老金三层记忆系统全开源！加强Plus！

30. 【AI记忆系统突破99%准确率：用Agent完全替代向量数据库】快速阅读： Supermemory团队用多智能体协作系统在长期记忆基准测试LongMemEval上达到99%准确率，核心突破是用3个并行搜索Agent替代传统向量检索，让AI通过“理解”而非“数学相似度”来回忆信息。这套方案不需要向量数据库，甚至可以嵌入机器人。---向量数据库可能不是AI记忆的最优解。Supermemory在LongMemEval基准测试（11.5万token对话历史）上达到99%准确率，用的方法反而更简单：完全抛弃向量检索，改用多个Agent协作。传统RAG的问题出在检索环节。语义相似度匹配根本分不清“旧事实”和“新更正”，当检索结果里混杂太多噪音，大模型就会迷失。他们的解法是ASMR（Agentic Search and Memory Retrieval）：信息摄取阶段，3个并行Observer Agent同时读取对话记录，按照个人信息、偏好、事件、时间数据等六个维度提取知识点，直接存储结构化内容而非生成embedding。检索阶段才是关键。面对提问时不查询数据库，而是派出3个专门的搜索Agent——一个找直接事实，一个挖隐含语境，一个重建时间线。这些Agent是在“主动阅读和推理”，不是在做向量余弦计算。回答阶段用了两种策略测试。第一种是8个高度专业化的prompt变体并行运行（精确计数专家、时间专家、上下文深挖专家等），只要任何一条推理路径答对就算成功，准确率98.6%。第二种是12个Agent独立作答后，由一个聚合器LLM综合投票裁决，准确率97.2%。有观点认为这套系统证明了“认知理解”比“数学相似性”更适合处理记忆任务。数学只能捕捉表层模式，而Agent可以处理时间序列中的矛盾、更新和细微差别。更有意思的是，这个架构完全在内存中运行，不依赖外部向量数据库，理论上可以部署到任何设备，包括机器人。他们11天后会开源全部代码。当数十亿个高度个性化的AI Agent开始学习和记住我们的一切时，记忆系统的天花板在哪里？也许不在算力，而在我们愿意给Agent多少“主动思考”的权限。ref: x.com/DhravyaShah/status/2035517012647272689#AI创造营##人工智能#

31. 《Titans: Learning Long-Term Memory for Scalable Sequence Modeling》这个 paper 可能是最终解决模型记忆的正确方案。和主流提示词工程或者 rag 方案的区别是找到了一个惊喜度来给记忆分层，并且把高价值记忆引入一个持续 fine tuning 的小模型，用一定的规则管理价值和遗忘等。这种大模型套小模型的方式我以前就设想过（懒得搜微博了），没想到 Google 的研究人员也是这么想的。

32. 盘点一周AI大事(3月8日)｜龙虾开公司30天狂赚8万刀工程师Nat Eliason开发出首个龙虾CEO「FelixCraftAI 」，全自主运营零人类公司，30天狂赚8万刀工程师开源龙虾公司框架Paperclip 工程师开源龙虾员工管理平台Clawith 工程师开源龙虾浏览器Pinchtab 老黄放话，龙虾是是历史上最重要的软件发布，通用型自主Agent终于迎来爆发拐点 OpenAI开源龙虾项目管理工具Symphony OpenAI发布最强龙虾基座模型GPT-5.4，地表最强大模型再次易主 Google发布最强龙虾辅助模型Gemini 3.1 Flash-Lite Lightricks发布最强开源视频模型LTX-2.3 Showlab推出最强开源视频编辑模型Kiwi Edit #抖音年味新知贺岁 #前沿科技趋势发布月 #AI新星计划 #龙虾 #OpenClaw

33. 智能体商战，是旧商业规则和新商业规则的战争。 #大咖观察 #红衣聊AI #智能体 #商战 #亚马逊

34. 养虾省91%词元！这家AI记忆公司用1亿个多模态文件验证了！

35. 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？

36. 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？

37. 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。

38. Claude Code 新增"自动记忆"功能 Anthropic 为其命令行编码工具 Claude Code 上线了自动记忆（Auto Memory）功能。开启后，Claude 会在工作过程中自动记录项目中学到的上下文：比如构建命令、调试技巧、代码风格偏好、架构要点等，并在下次会话中自动调用，不需要用户手动记录任何东西。此前 Claude Code 已经支持 CLAUDE.md 文件，但那是用户写给 Claude 的指令。新增的 Memory.md 则相反，是 Claude 自己维护的"笔记本"。用户也可以直接告诉 Claude"记住我们用 pnpm 而不是 npm"，它就会写入记忆文件。技术细节上，每个项目的记忆存储在本地目录 ~/.claude/projects/ 下，会话启动时自动加载 MEMORY.md 的前 200 行，更详细的内容按需读取。该功能默认开启，可通过 /memory 命令或配置文件关闭。这个功能解决的是开发者反复向 AI 解释项目背景的痛点：用得越久，Claude 对项目越熟悉。相关文档：网页链接宝玉xp的微博视频

39. 昨天上市的魏牌全新蓝山智能进阶版，是全球首款搭载元戎启行VLA（视觉-语言-动作）模型的量产车型！VLA模型是元戎启行于2025年8月发布的核心技术，融合了视觉感知、语言理解与动作决策能力。其优势在于引入了语言模型的思维链，提升了决策的可解释性，并集成了海量知识库，从而具备更强的泛化能力，能更好地应对复杂多变的真实城市路况。该模型具备空间语义理解、异形障碍物识别等四大功能，旨在为用户提供更稳定、可控的“防御性驾驶”体验。就像元戎启行CEO周光强调的，VLA模型的目标是让辅助驾驶具备类似人类“老司机”的思考判断能力。元戎目前已累计交付20万辆搭载城市NOA的车辆，并在2025年10月取得城市NOA第三方供应商市场单月市占率近40%的成绩。展望未来，元戎启行计划在2026年实现累计交付百万辆的目标，并同步推进Robotaxi和RoadAGI业务！

40. #天禧AI从助手到队友#今日，以“聚力智能体，共启新生态”为主题的2025联想天禧AI生态伙伴大会在京召开。大会聚焦智能体驱动下的个人AI未来，与生态伙伴共探体验升级与商业落地。大会核心揭示了天禧AI从“助手”到“队友”的关键跃迁。当前的天禧AI 3.5，凭借全时空主动记忆与全域个人知识库，首次构建了统一的个人知识图谱，实现了真正的个性化。更引人注目的是其行动力的飞跃：通过MCP技术及智能体协同架构，它能像“总指挥”一样安全调度多个领域智能体，协同完成复杂任务闭环。本次大会前瞻性勾勒了天禧AI 4.0的演进方向，朝着“思你所想，行你所愿”的认知与行动智能迈进。联想正携手生态伙伴，加速将更懂用户、更能执行的“个人AI双胞胎”带入现实。

41. Clawdbot 实现突破，AI的致命缺陷不再是无解难题。 #大咖观察 #红衣聊AI #医疗 #科研

42. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

43. 「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

44. 从失败中学习，榨干经验包，实现性能飞跃 ——Google Agent研究

45. 家庭记忆是怎么把创伤传下去的？

46. #腾讯QClaw内测#腾讯QClaw：把AI智能体送进社交场，生态协同再下一城。腾讯内测QClaw，并非简单复刻OpenClaw，而是一次精准的产品化+入口化战略落地。它以本地一键部署降低门槛，告别极客式命令行操作，普通用户也能轻松启用“小龙虾”，兼容主流国产大模型与自定义配置，大幅降低AI智能体的使用成本。更关键的是，QClaw打通微信、QQ两大核心入口，把Agent能力嵌入日常消息流，让AI从独立工具变成社交场景里的随身助手。这不是功能叠加，而是入口升级，借助高频社交场景激活AI执行价值。底层依托开源智能体，中层封装部署与模型路由，上层绑定腾讯IM生态，三者联动直接盘活腾讯云+AI+社交的协同优势。此举既普及AI智能体，又巩固生态壁垒，为个人与企业级AI落地开辟更顺滑的路径。#how i ai# http://t.cn/AXVxsCz7 http://t.cn/AXVJ6nWH

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

48. AI Agent 的工作原理和架构是什么？

49. 别把AI的“效率”当成唯一目标，安全永远是底线。 #大咖观察 #红衣聊AI #智能体 #网络安全

50. 一个视频搞懂腾讯龙虾WorkBuddy！

51. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

52. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

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

54. 医疗AI拐点来了！这家公司把医生“大脑”装进AI #医疗AI #智诊科技 #WiseDiag#医疗智能体 #好伴AI

55. 阿里甩出 AI 王炸！ Qwen3-Max-Thinking 高调对标 GPT-5.2-Thinking，是真硬刚还是博眼球？这款阿里旗舰推理模型拿下 19 项国际基准测试高分，自带自适应工具调用，能自主搜信息、做计算，主动解决问题，还成了阿里全生态的技术底座，打通电商、本地生活等全场景实现智能闭环。有人说它缩小了中外 AI 差距，坐稳中文 AI 头把交椅，让阿里 AI 生态形成良性循环，未来可期；也有人质疑，对标全球顶尖模型只是纸面数据，落地商业场景的实际能力仍需检验。阿里这次的 AI 大招，到底是技术突破的里程碑，还是营销造势的噱头？这款模型的真实实力究竟如何，一起来聊聊吧！#微博超有用视频大赛##上微博涨知识##AI创造营##科技先锋官# http://t.cn/AXqpEa95

56. Agent Infra到底是什么？【AI基建】

57. 一个强化学习信仰者的十年｜甲子光年

58. OPPO ColorOS 16 评测：假如 AI 有记忆？

59. 「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

60. 硅谷《连线》杂志：性能顶级的 GPT-5们，正在输给一个中国开源模型#连线杂志 #AI #千问 #Qwen #千问恐慌

61. 艹 Claude 最近特别的好Claude Opus 4.6 和 Claude Sonnet 4.6，现在全部支持100 万上下文窗口了在 Claude Code 中， Max、Team 和 Enterprise 用户默认模型自动由原来的200k，升级到1M...价格没变，Opus 4.6 还是 $5/$25 per million tokens，Sonnet 4.6 还是 $3/$15。媒体限制扩大 6 倍。单次请求最多可以塞 600 张图片或 600 页 PDF，之前上限是 100。不需要改代码。之前用超长上下文要加 beta header，现在直接就能用，旧的 header 也不影响。

62. AI智能体“记忆”突破

63. 告别 “金鱼记忆”

64. 腾讯AI实验室和南洋理工大学联手破解AI推理的"记忆困境"

65. 斯坦福MemoryArena

66. AI 智能体的记忆

67. 当AI拥有记忆

68. 智能体记忆

69. 从“金鱼脑”到“大象记忆”

70. 你的AI为什么总是失忆——Agent 记忆架构的四个层次

71. Agent 记忆全景综述

72. 淘天面试官

73. 智能体记忆

74. HelloAgent(二): agent是如何"记住"你的？聊聊智能体的"记忆"

75. AI智能体记忆革命

76. 5 分钟看懂 AI 智能体

77. Agent Memory真的是一个值得去做的方向！

78. Agent 记忆管理不是仓库，是流动的血液

79. Agent如何联动短期记忆和长期记忆？

80. 从上下文到连续性

81. 构建具有长期记忆的 AI Agent

82. AI智能体“终身记忆”的跨模态框架

83. 当AI真正拥有情景记忆，科学家称不再失忆的智能体更接近AGI

84. 亚马逊云科技助力AI自建记忆模块，Agent构建秘籍第三章！

85. Agent的正确答案来了，Google AI Agent白皮书拆解③

86. 为什么 AI Agent 的记忆不能只靠一个 Markdown 文件？

87. 智能体控制壳框架DeerFlow中的记忆是如何工作的？

88. 《智能体设计模式》读书翻译笔记——第8章记忆管理

89. AI最大瓶颈竟是“记忆”？

90. 论文阅读《AI Agents Need Memory Control Over More Context》

91. 红熊 AI 记忆熊v0.1.0版本正式开源！

92. 当前生成式AI技术的瓶颈是什么？

93. 真正的 AI 智能体还要等 5 年！当下技术瓶颈在哪？未来如何突破？

94. Memex

95. 上下文干旱

96. 上下文窗口

97. 大模型如何解决上下文长度问题

98. 智能体记忆方法之管理上下文窗口

99. 突破上下文窗口限制！RLM让大模型轻松处理1000万+token长文本

100. 挺意外的，Agent长期记忆潜力被AMemGym挖出来了

101. 腾讯云上海峰会

102. Agentic记忆模块

103. 🫖 Agent 会“记住”我吗？聊聊短期记忆、长期记忆与上下文窗口

104. 糟糕！我的Agent好像有记忆了？！

105. 全新LLM认知记忆架构CogMem

106. OpenClaw 三层记忆结构揭秘

107. 告别“只有七秒记忆”的AI

108. 做好AI Memory需要解决三个技术难题

109. （2025|NUS&人大&复旦&北大，Agent，LLM，RAG，上下文，记忆形式/功能/动态）AI Agent时代的记忆

110. 从RAG到智能体记忆的演化

111. 聊着聊着就失忆？揭秘AI长出“长期记忆”的三年硬核进化史

112. RAG、智能RAG与AI记忆

113. RAG 并非终点

114. 为什么RAG不够聪明？

115. 探索笔记 #001

116. 20251218论文阅读-Memory in the Age of AI Agents: A Survey

117. RAG，金融 AI 的“金鱼脑”之困

118. 智能体记忆的四大类型与三大实践内幕

119. 年度必读！NUS、人大、复旦、北大联手，一文讲透AI Agent记忆的所有关键问题

120. 【Google白皮书】上下文工程：通过会话和记忆构建有状态的智能体

121. 突破AI「灾难性遗忘」，谷歌「嵌套学习」框架超越Transformer

122. AI智能体记忆的元演化：从MemEvolve看外部记忆自进化和内部桥接的最新进展

123. Agent 记忆层正在独立成为基础设施

124. RAG已然过时，Agentic RAG 与 Agent Memory 才是智能体未来发展的方向。

125. 首发：Google白皮书《上下文工程：会话和记忆》（可下载）

126. LLM智能体记忆结构能力的专属评测基准StructMemEval

127. 硅基大脑记忆觉醒！会遗忘、会反思、会成长的AI正在到来

128. 大模型挑战深潜系列：LLM的灾难性遗忘

129. 智能体记忆相关论文：A-Mem: Agentic Memory for LLM Agents

130. MMA：多模态记忆智能体

131. 给Agent装上"大脑"有多难？一篇Survey揭示了智能体记忆系统的残酷现实

132. [论文笔记] MemRL

133. 微软研究：为何LLM会在多轮对话中迷失

134. 一口气看懂RAG和向量数据库。【大模型的记忆问题：聪明但健忘】大模型每次新会话就像喝了忘情水上下文窗口最大1M tokens也只有75万字昨天聊了3小时的项目细节今天一个字都不记得解决方案：RAG+向量数据库+知识图谱+记忆OS 【RAG：给AI开卷考试】不让AI靠记忆回答先帮它查资料再回答离线：文档切块→转成向量→存入向量数据库在线：问题转向量→找最相似文档→塞进prompt→生成答案有RAG=精准回答没RAG=瞎编或不知道【Embedding：把文字变成坐标】一段文字变成1024个数字组成的向量语义相近→数字也相近→可以用距离计算相似度 1024维就像1024个滑动条每句话在每个维度上都有值维度越多区分能力越精细【向量数据库为什么这么快】暴力搜索1亿文档需要10秒太慢了 HNSW算法：像社交网络一样跳转从粗到细 1亿文档只需要跳几十步 10毫秒找到代价：准确率从100%降到95-99% 对RAG完全够用【大模型记忆的五个层级】 L1 KV Cache：当前对话(秒级) L2 会话管理：摘要压缩(分钟级) L3 RAG：向量数据库检索(天-年) L4 知识图谱：结构化关系(长期) L5 模型微调：永久固化(不可逆) 好的AI记忆系统五层协同工作【2026前沿：记忆操作系统】传统RAG的痛点：切分困难/假相关/没时间概念/不会遗忘 MemOS：像管文件一样管记忆读/写/更新/遗忘/压缩 GraphRAG：RAG+知识图谱混合支持多跳推理未来AI不只能查资料还能像人一样管理记忆 #RAG #向量数据库 #Embedding #AI记忆 #大模型

135. 长视频创作革命，MemFlow动态记忆技术，港大快手联手破行业瓶颈

136. Claude 记忆 2.0：Auto Dream（\u002Fdream）静默上线，解决跨会话记忆衰减

137. Anthropic 公布长时任务突破方案：双智能体架构让 Claude 真正具备“持续工程能力”

138. ChatGPT能记住你的所有对话了！OpenAI上线长期记忆功能

139. 腾讯云首发Agent产品全景图，以全栈工程能力加速企业AI落地

140. Agent 记忆

141. Agent Memory（下）：工作记忆折叠、会话档案化与记忆演化

142. 上下文工程：会话与记忆

143. 【论文分享】ReasoningBank：一个基于推理记忆的智能体自我进化框架

144. 通义ReMe：动态提炼与重用实现智能体记忆

145. 从认知科学角度出发的AGI评测框架

146. 论文阅读——智能体记忆的解剖学：评估与系统局限的分类学与实证分析

147. 谷歌推出嵌套学习！类人记忆+无限适应，告别灾难性遗忘

148. 给你的 Agent 装一块会长大的通用记忆层

149. 构建持续交互的AI智能体：记忆的重要性

150. MEMRL: 情景记忆的非参数强化学习

151. 智能体记忆被推到新高度：一个接近 99% SOTA 的记忆系统

152. OpenClaw 上手最容易搞混的 5 层关系：渠道、账号、Agent、会话和记忆

153. AI记忆革命：从死记硬背到自我进化，这项开源技术重新定义智能交互 

154. AI智能体记忆机制深度解析

155. 告别RAG！这个开源项为AI智能体打造“超级记忆”，开发者狂喜

156. CoPAW 记忆系统：让AI拥有持久记忆的跨对话能力

157. 为 AI 构建记忆：三层架构与 Git 自动化实践

158. 腾讯云正式对外发布Agent产品全景图！

159. Agent的8种记忆策略，图解+代码。1️⃣全量记忆：不遗忘任何内容不遗忘任何历史上下文，每轮对话都将用户输入与智能体响应完整记录，并在后续请求中将全部历史上下文一并发给LLM。 . 2️⃣滑动窗口：固定长度的截断维护一个固定大小的队列作为对话窗口，每当有新对话加入时，如果超过窗口大小，移除最旧的一条。 . 3️⃣相关性过滤：遗忘次要信息优先保留重要信息，丢弃无用细节。相关性过滤策略就是基于信息的重要程度来管理记忆，而不是抛弃旧记忆。 . 4️⃣摘要/压缩：提炼关键信息缩短对话长度，将冗长的对话内容去除无用的信息（寒暄、闲聊、重复信息等），浓缩成关键要点保存。 . 5️⃣向量数据库：语义检索记忆将对话内容在向量库存储，需要时通过语义检索相关记忆。实现近乎无限的外部长时间记忆。 . 6️⃣知识图谱：结构化记忆以结构化方式存储和组织记忆信息，通过显式的实体、属性和关系来增强智能体的长期结构化记忆和推理能力。 . 7️⃣分层记忆：短期与长期结合将不同类型、重要程度的信息存入不同层级的存储系统，让智能体在面对不同场景时都能“对症下药”。 . 8️⃣类OS内存管理：模拟Swap原理将有限的上下文窗口当作RAM使用，而将超出上下文的信息保存到外部存储中（Page Out），必要时再“交换”回来（Page In）。 #agent #Agent #aiagent #LLM #深度学习

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

161. Gemini 在打开新会话时，是如何有记忆的

162. Agent的“记忆”到底怎么来？

163. 克服灾难性遗忘！Meta提出「稀疏记忆微调」

164. Agent Memory新范式！智能体记忆SOTA思路📌

165. 【上交&新国立等团队】RAG进入“价值时代”：用强化学习给记忆打分，智能体自我进化

166. AI Agent Memory 实战

167. 科普｜智能体的“记忆”：为什么长期任务离不开状态管理？

168. 当 AI 失去“长线程”——Anthropic 把软件工程的老办法翻出来，给 Agent 打了一根脚手架

169. 记忆自进化Google DeepMind。智能体的经验重用近期引起研究人员的广泛兴趣，被认为是实现智能体自我进化的重要路径之一测试时进化（Test-time Evolution）强调 Agent 在部署阶段通过与环境交互实现在线自我改进，即思考（Think）- 行动（Act）- 记忆精炼（Refine Memory）记忆精炼：Agent主动评估、剪枝和重新组织记忆，以支持更高质量的未来决策经验检索增强生成：显式的任务经验重用在简单机制下能带来显著提升我们在之前推荐过一篇类似paper，叫做LatentEvolve。与本文不同（记忆精炼和重用），LatentEvolve强调在潜空间进行Test Time Evolution，而不保留明文记忆 #低空经济 #具身智能 #智能体 #AI #知识前沿派对

170. OpenClaw三级记忆机制：原理、实践困境与改进路径

171. AI聊天久了会变笨？揭秘多轮对话中的“迷失会话”

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

173. 腾讯云大数据 TC Data Agent 智能体发布与应用实战

174. 闪电智能Voice Agent：多轮对话不是"记住5轮对话"，而是"理解1个意图"——对话状态管理技术揭秘

175. Agentic Memory：超越Mem0, 智能体记忆新范式——统一长任务的记忆管理

176. 2026年实测：如何突破大模型上下文窗口限制？以代码库分析为例

177. AI基础 | 融合知识图谱的检索增强生成（RAG）

178. OpenClaw AI 长期记忆系统的设计与实现：用 LanceDB 构建可检索的记忆库

2026年AI记忆能力突破：斯坦福MemoryArena评测与腾讯云记忆增强架构落地

精选参考来源