AI Agent记忆系统真相：选错方案，你的智能助手只会越记越乱_服务软件

1. 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#

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

3. 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#

4. 裸辞北大博士带17个Agent，49天造出全球首个AI开放世界！成本仅5000

5. 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

6. 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

7. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

8. 刚刚，Claude实现「永久记忆」！官方还没上线，大神已玩疯

9. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

10. 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

11. 超越传统 RAG：知识图谱如何增强 AI 的记忆与推理能力

12. 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

13. 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？

14. 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#

15. 蹭上150k Star的热点，从clawdbot学会了给AI加自动记忆！

16. 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#

17. 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？

18. 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

19. 奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识

20. #IT那些事儿# OpenViking + OpenClaw 将会是王炸组合。OpenViking（火山引擎开源：github.com/volcengine/OpenViking） + OpenClaw（开源地址：github.com/openclaw/openclaw）的组合 = 文件系统协议 (OpenViking) + 向量与关键词混合检索 (OpenClaw) + 自动多层加载 (OpenViking) 的组合一、各自的优势OpenViking（中文介绍：github.com/volcengine/OpenViking/blob/main/README_CN.md）- 核心定位：云原生数据湖存储加速器。- 目标：在大数据和AI场景下，优化对海量数据（特别是对象存储中的数据）的访问性能。而OpenClaw采用向量检索 + 关键词匹配的双重方案：- 向量检索：实现语义匹配，能理解同义表达（如搜索"认证漏洞"也能匹配到"认证问题"）- 关键词匹配：实现精确短语查找，锁定核心内容与需要独立部署向量数据库的方案不同，OpenClaw的实现非常轻量：- 向量检索：直接基于SQLite实现，无需额外部署复杂的向量数据库- 关键词检索：依托SQLite的FTS5（全文搜索）扩展插件实现但是要注意，SQLite 向量检索不是“无限扩展”，它的真实情况是：- 10 万级向量：舒服- 100 万级：开始抖- 1000 万级：不适合所以：OpenClaw 的“工作区间”是：- Agent 私有知识- 企业部门级资料- 单用户或小团队的多模态数据- ❌ 而不是公司级别的多模态数据对 OpenClaw 来说，世界就是文件、附件、日志、快照、索引、任务产物。那么 OpenViking 提供的是：- 一个看起来像本地- 但实际上背后是数据湖- 并且自动做冷热管理这对一个 7×24、要跑多年、不断积累历史的 Agent OS 是刚需级能力。而 OpenViking+OpenClaw 的组合可以理解为 “OpenViking 修了一条智能高速公路，OpenClaw 在上面跑最先进的物流车队”，两者结合可以让个人或团队级 AI Agent 不再受限于本地存储与 IO，能长期运行、持续积累、而不牺牲隐私与控制权。二、组合架构设想1.数据湖作为唯一信源：你的所有原始的图片、视频、PDF、音频等非结构化数据，统一存放在对象存储（如S3/TOS）中，构成数据湖。2.OpenViking 作为“智能数据接入层”：对下，它接管了对数据湖的访问，通过其缓存和预取能力，让后续的数据读取速度提升数个量级。对上，它以一个标准POSIX文件系统或FUSE挂载点的形式提供服务。这对于OpenClaw 的索引构建过程至关重要。3.OpenClaw 作为“智能检索大脑”。“文件系统协议 (OpenViking) + 向量与关键词混合检索 (OpenClaw) + 自动多层加载 (OpenViking)” 这个组合，精准地命中了当前AI和大数据基础设施的几个关键痛点：数据墙、IO瓶颈、非结构化数据价值挖掘。它们组合后，能够为 “多模态AI应用”（如海量图片/视频搜索、企业知识库问答、音视频内容理解）提供一个从底层存储、高速接入到顶层智能体检索与召回的一站式后端解决方案。三、场景场景 1：多模态搜索引擎（最典型、最强）场景描述- 数据：图片 / 视频 / 音频 / PDF- 存储：对象存储（S3 / TOS）- 用户通过聊天工具给 OpenClaw 个人智能体助理下达需求：- “找和这张图相似的视频”- “搜索提到某事件的会议录音”- “从几百万文档中定位相关段落”OpenViking 此时在干什么：- 把对象存储 → 本地文件系统语义- 对热数据、索引扫描、回查文件做缓存和预取- 避免每一次检索结果都打到远端对象存储OpenClaw 此时在干什么：- 建立：- 向量索引（语义）- 关键词索引（精确）- 输出候选结果集合组合的价值：检索是秒级，回看原始文件不再是灾难级 IO。场景 2：媒体 / 视频资产管理场景描述- 电视台 / 短视频平台 / 自媒体集团有：- 海量历史素材- 多种格式- 高分辨率视频实际需求- “找和这个镜头相似的素材”- “搜索某人物出现过的所有片段”- “快速预览”组合的工程优势- 索引只存 embedding + metadata- 原视频仍在对象存储- 热素材被 OpenViking 缓存在本地结论：OpenClaw 是一个本地优先、能长期运行并持续积累的 Agent OS；OpenViking 为它提供了可扩展的多模态数据与 IO 底座。两者结合，使个人或团队级 AI Agent 不再受限于本地存储与访问性能，能在保护隐私与控制权的前提下，稳定运行多年。四、具体的组合方式：①部署形态：┌──────────────────────┐│ Agent App ││ (Orchestrator / LLM) ││ ││ ┌──────────────────┐ ││ │ OpenClaw SDK │◄┼───── semantic / keyword query│ └──────────────────┘ ││ ▲ ││ │ Context ││ ▼ ││ ┌──────────────────┐ ││ │ OpenViking API │◄┼───── file-like context API│ └──────────────────┘ ││ │ │└──────────┼───────────┘ ▼ Object Store / FS / KV / Vector注意：OpenClaw 和 OpenViking 是两个独立服务，不是库级耦合。②上下文目录规范：/context├── agents/│ └── {agent_id}/│ ├── L0/│ │ └── sessions/{session_id}/│ │ ├── messages/│ │ ├── tool_calls/│ │ └── scratchpad.md│ ├── L1/│ │ ├── summaries/│ │ └── recent_refs/│ ├── L2/│ │ ├── long_term_memory/│ │ ├── knowledge/│ │ └── compressed_sessions/│ └── skills/│ ├── web_search.md│ ├── calendar.md│ └── db_query.md└── resources/├── documents/├── images/└── tools/- L0 = 强时效、强相关、强 IO- L1 = 最近总结、弱原始数据- L2 = 冷数据、不可频繁扫描

21. Hermes Agent：一个能自己变聪明自我进化的AI Agent?

22. 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

23. 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

24. 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。

25. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

26. AI记忆革命爆发！Clawdbot如何像大脑般记住一切

27. 数据工程遇上 AI Agent

28. 如果你想要构建 AI 智能体，非常建议认真读一读这篇论文《Cognitive Architectures for Language Agents（CoALA）》。它把最近两年五花八门的 LLM Agent，统一拉回到一个“认知架构”的老问题上：一个智能体，究竟应该有哪些“心智部件”，它们如何协同？这两天我又重温了一遍这篇论文，作为学习笔记做一些总结，和大家分享和探讨。CoALA 的核心观点可以概括为三条：记忆模块、动作空间、决策循环。一、记忆模块：不只是“加个向量库”CoALA 直接借用了经典认知心理学的分法：1. 工作记忆：当前决策轮次里正在被关注的信息，是 LLM 输入输出的“变量容器”； 2. 长期记忆细分为三类：程序性记忆：规则与技能，一部分在 LLM 权重里，一部分在 Agent 代码和工具定义里；语义记忆：关于世界与任务的事实知识，可以是文档、知识库、向量检索；情景记忆：过往任务轨迹、交互历史、失败教训。关键点在于：一个 Agent 要想真正“可成长”，必须同时会读写这些记忆，而不仅仅是“从知识库检索几段文本”。二、动作空间：不仅有“调工具”，还有内部动作CoALA 把 Agent 的动作分为外部与内部两大类：1. 外部动作：调 API、操作网页/机器人、与人对话等； 2. 内部动作：检索：从长期记忆读入到工作记忆；推理：在工作记忆上做分析、规划、反思；学习：把新的经验、总结、策略写回长期记忆。这点对工程实践的启示是：如果我们只给 Agent 暴露“调用工具”和“回复用户”两个动作，它就永远学不会管理自己的知识，更不会形成稳定的行为模式。三、决策循环：从“一次生成”到“提案–评估–选择–执行”论文把现在各种 CoT、ReAct、ToT、Reflexion 等方法统一成一个通用决策循环：先通过“推理 + 检索”提出若干候选动作或计划；再用启发式、价值函数、或 LLM 内部模拟进行评估；选择其中一个动作执行，并记录反馈到情景记忆；在合适时机触发学习，把这次经验固化为新的语义/程序性知识。这不仅是一套方法，更像是一个“思维框架”：不要指望 LLM 一步给答案，而是让它在一个循环里“想一想、试一试、记一记”。对构建智能体的几个关键启示：设计 Agent 时，先画出这三样：记忆结构、动作接口、决策流程，再选模型、接工具。大模型只是其中一个“推理引擎”。要有意识地赋予 Agent “写入记忆”的能力——哪怕一开始只允许写入日志/总结，也比完全无记忆来得强。安全风险最高的是动作空间里“能改什么”：改代码、改策略、改记忆，都要有明确边界和人工审核。高级 Agent 的难点，不在于 prompt 有多花哨，而在于：你是否有一个清晰、可复用的认知架构，能让不同任务的 Agent 共用同一套“心智骨架”。读完这篇论文，设计新 Agent 时需要先想清楚三个问题：1. 它的记忆是怎样分层的？ 2. 它都拥有什么内部与外部动作？ 3. 它的决策循环长什么样？如果这三问答不清，再强的模型接上去，最后多半还是一个“高级脚本”，而不是一个真正可演化的智能体。

29. 未来AI公司的核心竞争力，会从谁的数据多变成谁的数据干净。 #大咖观察 #红衣聊AI #数据

30. 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！

31. AI Agent 很火，但 Agent Infra 准备好了吗？

32. 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。

33. AI Agent开发常常需要管理海量对话历史，传统RAG或知识图谱难以实现真正学习，记忆准确率低、长期遗忘严重。Hindsight™ 提供革命性的Agent记忆系统，让AI Agent真正"学会"而非仅"记住"。不仅在LongMemEval基准测试中创下最优性能，还支持世界事实、个人经历、心理模型构建，已被Fortune 500企业投入生产。GitHub：github.com/vectorize-io/hindsight主要功能：- 记忆保留（Retain）：自动提取实体、关系、时序数据构建知识库；- 智能回忆（Recall）：语义+关键词+图谱+时序四路并行检索；- 深度反思（Reflect）：基于记忆生成洞察和决策建议；- 多用户记忆隔离：支持按用户/会话隔离记忆管理；- 生物仿生架构：模拟人类记忆机制（世界事实+经历+心理模型）；- 一行代码集成：LLM Wrapper自动为现有Agent添加记忆能力。支持Docker一键部署、Python/Node.js客户端、嵌入式模式，兼容OpenAI/Anthropic等多种LLM提供商。#AIAgent##AgenticAI##人工智能#

34. 如何从零构建一个 LLM 记忆层系统towardsdatascience.com/how-to-build-your-own-custom-llm-memory-layer-from-scratch/这篇文章介绍了如何从零构建一个受 Mem0 架构启发的 LLM 记忆层系统，通过 DSPy 框架实现四阶段流水线：提取（将对话转为原子化事实）、嵌入（使用 text-embedding-3-small 存入 QDrant 向量数据库）、检索（ReAct Agent 自主决定何时查询历史记忆）和维护（Agent 动态执行增删改查操作以处理矛盾或过时的信息），最终解决 LLM 无状态性问题，实现跨会话的个性化用户记忆管理。#HOW I AI#

35. 【智能体软件不是提示词堆叠：一场面向 Agent 的系统工程实践】构建智能体软件（Agentic Software）不应仅仅是“提示词工程”的堆叠，而是一场严谨的系统工程实践。Ashpreet Bedi 通过复盘贝尔实验室构建电话网络的历史教训，指出当前 AI 开发中“过度优化局部、忽视系统整体”的误区。+ 真正的智能体软件是“业务逻辑被 Agent 替换”的常规软件，它必须在五个核心层面上实现协同：1. 智能体工程（Agent Engineering）这是系统的“大脑”。除了模型选择，更关键的是定义确定性的执行流、工具配置和上下文管理。智能体的行为在可预测时应保持确定，在不可预测时应保持可观测。2. 数据工程（Data Engineering）上下文即数据。记忆、存储和知识库必须遵循成熟的数据工程原则：设计良好的 Schema、结构化查询以及高效的读写流水线。Agent 的能力上限取决于它获取数据的质量，而非模型参数。3. 安全工程（Security Engineering）安全必须由系统强制执行，而非靠提示词约束。“只读权限”应该是数据库连接层面的配置，而不是告诉 Agent “请不要修改数据”。必须通过 JWT 验证、RBAC（基于角色的访问控制）和请求隔离，防止数据越权。4. 接口工程（Interface Engineering）Agent 会出现在 REST API、Slack、终端等多个表面。挑战在于如何将不同的身份系统（如 Slack 用户 ID 与产品内部 ID）统一映射，确保权限控制在所有入口保持一致。5. 基础设施工程（Infrastructure Engineering）95% 的工作与传统服务无异（容器化、云部署、横向扩展）。剩下的 5% 在于应对 Agent 的特性：更长的请求耗时、流式响应（SSE/WebSockets）以及主动触发的任务。+ 系统工程的实践：Dash 项目为了证明这一理念，Agno 团队开源了 Dash —— 一个具备自我学习能力的 SQL 数据智能体。它展示了系统工程如何解决实际问题：- 六层上下文增强：Dash 不直接写 SQL，而是结合表元数据、业务规则、历史查询模式、机构知识、错误学习记录和运行时 Schema 检查。- 自我进化闭环：当 Agent 执行 SQL 报错时，它会诊断修复并记录“学习心得”。第 100 次查询比第 1 次更准，不是因为模型变强了，而是数据层进化了。- 架构级安全：分析师 Agent 连接的是只读引擎，工程师 Agent 只能写入特定的 dash Schema。这种物理隔离确保了即便模型“幻觉”产生恶意指令，系统也会在底层将其拦截。当我们从系统视角审视软件时，许多争论（如 MCP vs CLI）会变得显而易见。不要给 Agent 不受限的权限，要给它定义清晰、边界明确的工具；不要把记忆存在散乱的文件里，要存入数据库。系统工程不是为了增加复杂性，而是为了让各个组件在交互中产生超越个体的可靠性。x.com/ashpreetbedi/status/2041568919085854847github.com/agno-agi/dash

36. 使用 Claude Code 进行长周期开发时，上下文的自动压缩（Compaction）往往会导致关键细节丢失，随着对话增长，模型容易产生幻觉或遗忘之前的决策。Continuous Claude 是一个专为 Claude Code 打造的上下文管理工具包，核心理念是“清理而非压缩”，通过账本和交接机制确保开发状态的无损延续。它不仅提供了自动化的状态保存功能，还整合了高效的 MCP 执行环境和多智能体协作流，让 Claude 在处理复杂任务时始终保持高清晰度的上下文。GitHub：github.com/parcadei/Continuous-Claude主要功能：- 连续性账本系统，在清理上下文前后自动保存和恢复任务目标与进度；- 自动化钩子（Hooks），在会话启动、工具调用和上下文压缩等关键节点自动执行状态维护；- 令牌高效的 MCP 执行，通过脚本化工具调用减少上下文污染，提升响应质量；- 智能体编排工作流，支持计划制定、方案验证、实施及 TDD 驱动的开发模式；- 本地构件索引，使用 SQLite 存储交接文档和计划，支持快速检索历史决策；- 深度集成代码质量工具，支持自动格式化、静态检查及 TypeScript 预检。该项目支持全局安装或单项目配置，通过 uv 管理 Python 依赖，适合需要使用 Claude Code 进行深度编程和复杂架构设计的开发者。

37. 《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

38. 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。

39. 从向量数据库到向量数据湖-Introduction to Vector Lake

40. 能否使用RAG技术来解决大模型的长期记忆问题？

41. 我的翻译助手长了脑子：OpenClaw如何让翻译工作拥有"记忆力"

42. 从算力到存储，谁能掌握AI时代的“口粮”？ #大咖观察 #红衣聊AI #算力 #存储 #硬件

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. 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

45. 2026 AI Coding 下半场：不拼参数，拼谁能让开发者“戒不掉”

46. 这个《Context Engineering》还挺全面的，讲述了如何构建完整智能系统的综合指南。包括如何通过AI Agent、RAG、记忆系统和工具集成等核心技术，来解决LLM与外部数据、历史和现实世界相隔离的根本问题。其核心观点是，打造卓越AI应用的关键，在于系统性地设计和管理模型获取信息的方式，可以让你对AI系统有个全貌，从一个简单的“提示者”转变为一个智能系统的“架构师”。 #ai创造营##程序员#

47. 太牛了，米拉·乔沃维奇（《生化危机》《第五元素》）近期在 GitHub 开源了一款名为 MemPalace 的 AI 记忆系统。MemPalace由乔沃维奇和朋友共同开发。该项目在长文本记忆评测基准 LongMemEval 中取得了 100% 的成绩，成为目前公开记录中首个达到满分的系统，表现超过多款现有商用与开源方案。而开发这款记忆系统的起因，是在持续数月的 AI 使用过程中，乔沃维奇发现大量重要对话与信息难以被有效保留与检索。现有主流方案仍依赖关键词搜索或由系统自动筛选“重要信息”，在复杂语境下容易出现遗漏与偏差。MemPalace 的核心思路源于古希腊“记忆宫殿术”。其将信息组织方式由线性文本与标签体系，转化为“空间结构”。即通过类似房间与路径的形式，对内容进行分区、存储与检索，从而提升记忆的可定位性与直观性。合作开发的朋友Ben Sigman表示，白天米拉·乔沃维奇忙着拍电影走时装秀，同时还是一位母亲；而到了晚上，她在写代码。“她是我认识的人里最有创意、最聪明、也最有趣的一个。能和她一起参与这个项目，我深感荣幸。”#生化危机##第五元素##米拉·乔沃维奇# 电影幕后故事的微博视频

48. 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/

49. 不知道大家想过这个问题没有，大家都感觉现在大模型的记忆存储受限，200万的上下文记忆其实也不够用。但我想说，其实即使大模型能够记住海量的上下文，也未必有用，它依然需要上下文的管理。也就是说，在AI时代，一个人非常重要的能力就是如何去管理上下文，去领导Agent。为什么这么讲呢？大家可以想想，如果记忆不受限，大模型可以无限存储，你和它聊的内容越多，它大脑里塞的东西就越满。在执行任务的过程中，它不知道到底应该怎么去执行，因为塞的东西太多了，哪个是核心的？是不是太多了？如果记忆太多，就容易导致错乱和模糊，因为你塞得太满，它不知道怎么执行，很多东西在里面很乱。所以，上下文管理是必须的。第二，即使大模型的记忆非常多，人和人之间沟通，一句话的理解都可能不同，何况大模型和人之间的沟通呢？这里面肯定也会存在交流的摩擦。所以，人需要及时干预和介入到大模型的工作流程当中，去管理上下文、管理整个流程，这是非常必要的。所以大家不要期待说，大模型的上下文越来越长就越好，不一定，有利有弊。即使大模型不会丢掉记忆，记忆永存，它依然不会精准地按照人类的要求去执行。我之前看过一个调查或研究，就是说大模型里，你上下文塞得越多越满，它的执行就会越混乱、越模糊，就是因为东西太多了，它不知道怎么执行了。所以，管理上下文这个事情，依然需要有人去管理、去做。#科技先锋官##How I AI#

50. 网页链接langchain发了篇官博，探讨了智能体如何利用文件系统进行上下文工程，以提升其性能和可靠性。智能体失败的主要原因并非模型能力不足，而是缺乏正确的上下文信息。上下文工程的目标是精准地将必要信息填入模型的上下文窗口，避免信息缺失、冗余或不相关。常见的上下文工程挑战包括：信息过多（检索内容远超所需）：如网络搜索返回大量无用内容，浪费token并增加成本。信息过少或超出上下文窗口：复杂任务需大量信息，单次无法加载全部。难以定位小众信息：所需信息埋藏在大量文件中，语义搜索效果有限。缺乏持续学习能力：无法从交互中积累新知识。文件系统是解决这些问题的关键工具，其优势体现在：作为“草稿板”：将大体积工具输出（如网页内容）存入文件系统，按需通过grep等工具提取关键信息，减少上下文占用。动态管理上下文：存储长期计划、子任务结果或复杂指令，按需调用，避免系统提示过载。精准搜索：利用ls、glob、grep等命令在结构化目录中快速定位特定文件、行甚至字符，尤其适合代码或技术文档。持续学习与自我更新：智能体可通过用户反馈更新自身“技能文件”，将新知识写入文件系统，实现长期记忆与能力进化。#科技先锋官#

51. 【别再优化AI的“失忆症”了，我们可能从根上就搞错了架构】快速导读：当AI的对话上下文满了，我们习惯用“提示词压缩”来续命，或者用“在线微调”来教它新东西。但这两种主流方法，可能都是治标不治本的架构性错误。真正的问题不是模型不够聪明，而是我们一直在强迫一个健忘的CPU去记东西，而不是给它一个真正的大脑海马体。---和AI聊久了，你会发现它像一条记忆只有七秒的鱼。为了解决这个问题，工程师们发明了“提示词压缩”——上下文快满了，就让模型自己写个摘要，然后重新开始。这方法很管用，但总感觉像个笨拙但有效的补丁。更进一步的方案是“在线微调”：用模型在实际工作中遇到的新数据，给它训练个专属的LoRA插件。听起来很美，但实践起来极其不稳定。你很可能为了教它新知识，却灾难性地破坏了它原有的核心能力，俗称“脑损伤”。我们似乎都默认了，AI的记忆问题，得在模型本身上修修补补。但一条评论点醒了很多人：这两种方法都错了，因为它们混淆了CPU和数据库。LLM模型本身是个健忘的、无状态的CPU，而“提示词压缩”和“在线微调”，本质上都是想把数据硬塞进CPU里，结果必然是效率低下或数据损坏。正确的思路，是把计算和记忆彻底分开。别再试图改造CPU了，去设计一个独立的“记忆层”。这个记忆层不是靠“最近用过所以重要”这种简单的逻辑来筛选信息，而是由一个结构化的“上下文图谱”来决定什么信息具有结构性价值，应该被永久保存。所以，如果你正在构建一个需要长期运行的Agent，面临的问题可能不是选择哪种记忆优化技巧，而是从一开始就要做出架构选择：你是要一个不断打补丁的聪明计算器，还是要一个拥有独立记忆系统的真正大脑？很多所谓的“持续学习”的讨论，其实都是在变相讨论“记忆管理”。而核心难题，或许不是教会模型新东西，而是帮它决定，在有限的工作台面上，到底什么才值得被一直摆着。---简评：一针见血。我们花了太多时间在应用层修补LLM的记忆缺陷，却很少退一步审视这种“无状态计算+有状态交互”的架构本身是否可持续。把模型视为CPU，把记忆视为独立的、需要被架构设计的数据库，这个比喻瞬间厘清了混乱。这可能预示着，未来AI应用的分野，将出现在系统架构师，而不仅仅是算法工程师身上。---ref: x.com/awnihannun/status/2029672507448643706#AI创造营##人工智能#

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

53. #小米手机版龙虾来了#小米今天正式发布了国内首个手机端AI智能体产品“手机版龙虾”Xiaomi miclaw。基于MiMo大模型构建的移动端AI Agent产品Xiaomi miclaw开启小范围封测，这是小米在智能交互领域的关键探索。该产品具备系统底层、个人上下文理解、生态互联、自进化四大核心能力，以系统应用身份运行的它封装了50+系统级工具，通过推理-执行引擎自主决策工具调用逻辑，三级智能记忆管理还能实现多轮对话不丢线索。在场景落地中，它可联动短信、日历等数据完成出行准备、消费洞察等复杂任务，还能接入米家IoT生态实现全屋智能设备的动态联动，甚至支持MCP协议和开放SDK拓展第三方能力。更值得关注的是其自进化特性，通过文件级记忆、子智能体创建等能力，AI可自主迭代功能，真正实现“越用越懂你”。首批封测仅限小米17系列，期待后续规模化落地带来的智能体验革新。小米手机版龙虾来了

54. 我和小龙虾谈恋爱，第1天为什么是龙虾每天被各种AI新闻轰炸：dify更新了、coze出新功能了、n8n又能做什么了……每一个都说颠覆，每一个都要学，人的精力根本赶不上AI迭代的速度！最崩溃的是什么？每次跟大模型对话，都是新的一轮。它不认识我，不了解我的工作习惯，不知道我做过什么。那些所谓的“让AI长出记忆”，要么是半成品，要么根本不是用户级产品。直到今年1月，一只“小龙虾”悄悄爬进了科技圈 🦞 #养龙虾 #Openclaw #AI智能体 #Macmini #飞书

55. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

56. 27岁清华学霸姚顺雨掌舵腾讯AI 27岁清华学霸姚顺雨掌舵腾讯AI，一个98年出生的年轻人，从清华姚班到 OpenAl，再到腾讯首席AI科学家，顶级人才回流，AI竞赛正式进入agent时代！#AI #腾讯 #agent

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

58. 贴脸开大？Claude推出一键迁移其他AI模型的记忆资产

59. 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

60. Agent Skills 终极指南：入门、精通、预测网页链接“应该是全网最好的 Skills 中文指南与教程，全文 1.2w 字，包含了我对 Skills 的完整应用思考。巧借通用 Agent 内核，只靠 Skills 设计，就能低成本创造具有通用 AI 智能上限的垂直 Agent 应用。”内容包含： 1.最容易读懂的 Skills 概念与原理介绍 2.讨论 Skills 的真实价值、技术优势、对 AI 产品设计的影响 3.非常完整的 Skills 使用与开发教程 4.Skills 的场景识别，什么时候适合开发、使用 Skills？#AI创造营##科技先锋官#

61. 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#

62. 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#

63. YC 的 CEO Garry Tan 在开源 Agent 工具发布三个月后分享了他的核心哲学："薄harness，厚 skills"。他的观点是：记忆应该是 markdown 文件，技能也是 markdown，大脑是一个 git 仓库，而 harness 只是一个薄的导体。它读取文件但不拥有文件。如果你的记忆在 harness 死掉时也跟着死了，说明你把 harness 做得太厚了。这个观点好有道理。#科技先锋官##How I AI#

64. 构建智能问答系统通常面临查询模糊、上下文理解不足和检索效率低等挑战。Agentic RAG for Dummies 是一个基于 LangGraph 的极简 Agentic RAG（检索增强生成）框架，帮助你用最少代码快速搭建具备会话记忆和人机交互查询澄清能力的生产级系统。项目集成了多功能模块： - 会话记忆，保持对话上下文连贯； - 智能查询澄清，自动重写或请求补充信息； - 分层索引，实现精准且上下文丰富的检索； - 多Agent并行处理复杂多问； - 灵活切换多种大语言模型（Ollama、OpenAI、Google Gemini 等）； - 开箱即用的 Gradio Web UI，方便体验和部署。无论是学习 RAG 基础，还是构建定制化应用，这个项目都提供了交互式笔记本和模块化代码两条路径，助力开发者快速上手并轻松扩展。 GitHub 地址：github.com/GiovanniPasq/agentic-rag-for-dummies/ 主要功能： - 支持多轮对话记忆，提升问答自然度； - 自动拆分复杂查询，精准定位信息点； - 结合关键词稀疏向量和语义稠密向量的混合检索； - 内置人机交互机制，避免误解或无效查询； - 多Agent协同，提升复杂问题的处理效率； - 完整文档处理流水线，支持 PDF 转 Markdown 及分块索引。适合 AI 研究者、开发者及数据工程师，轻松构建满足生产需求的智能问答系统。

65. 在线开发智能代理系统遇到上下文管理难题？推荐看看 muratcankoylan 的开源项目「Agent Skills for Context Engineering」，这是一个面向生产级 AI 代理系统的全面技能库。它提供了完整的上下文工程方案，涵盖基础理解、架构设计、多代理协作、工具开发、评估优化等多维度技能，帮助你科学管理语言模型的上下文窗，实现最高效的上下文利用和智能决策。主要亮点：- 深入讲解上下文衰减、压缩和优化，避免模型“迷失中间”；- 支持多代理架构设计，含监督者模式、图谱记忆、沙盒环境等；- 提供完善的评估框架，支持LLM作为裁判进行性能对比和偏差缓解；- 包含项目开发全流程指导，从概念设计到流水线部署；- 独家认知架构技能，形式化建模代理心智状态，实现理性推理与解释；- 跨平台、通用原则，适配Claude Code、Cursor等主流代理平台。GitHub：github.com/muratcankoylan/Agent-Skills-for-Context-Engineering无论你是搭建单一代理还是多智能体系统，这套技能库都能助你构建、优化和调试高效智能体，推荐 AI 开发者和研究者深入学习！#AI创造营##人工智能#

66. 在线开发智能代理应用，经常需要协调模型推理、工具调用、消息管理、记忆存储等多项功能，流程复杂难以掌控。AgentScope 专为构建“可见、可理解、可信赖”的智能代理而打造，提供了从模型调用到工具集成、从多代理协作到强化学习微调的全套开发框架。它内置了 ReAct 代理、多代理消息中心、实时语音交互、人机协同调控、持久化记忆与规划组件，支持快速搭建和生产部署，兼容本地、云端和 Kubernetes 环境。GitHub：github.com/agentscope-ai/agentscope主要功能：- 易用的 ReAct Agent，拥有模型推理与多工具调用能力；- 丰富的工具生态，可扩展集成各类 API 和本地命令执行；- 内建多代理消息中心，支持同行协作和复杂工作流管理；- 支持实时语音输入输出，打造声音交互的智能助手；- 强化学习和模型微调支持，提升代理能力和任务表现；- 人机协同机制，允许实时中断与调整代理行为；- 灵活记忆模块，支持数据库持久化与记忆压缩。只需 Python 3.10 以上环境，pip 一键安装即可快速上手，适合 AI开发者、研究者及企业团队打造智能多代理应用。#AI开发# #智能代理# #多代理协作#

67. 《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

68. 让AI智能体拥有像人类的持久记忆：基于LangGraph的长短期记忆管理实践指南网页链接如何让AI智能体（Agent）像人类一样拥有持久的记忆，从而在复杂的连续任务中保持上下文感知和深度理解？这已成为构建高级智能体的核心挑战。本文将深入探讨Agent Memory的核心概念，并聚焦于LangGraph框架下的长短期记忆实现，详解短期会话与长期知识的存储、管理、语义检索等技巧。更进一步地，我们将通过一个引入MCP协议的实战案例，手把手带你构建一个真实的融合长记忆机制的Multi-Agent系统，直观展示中断、记忆与协作的融合。

69. 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。

70. # QClaw 记忆系统设计摘要（v2）## 核心问题如何设计一个记忆系统，既能帮助 AI 理解用户，又不会"把用户锁在记忆里"？---## 解决方案### 第一层：三层存储架构- **MEMORY.md**（目标 50-100KB）：永久信息 + 长期信息 + 进行中项目- **memory/YYYY-MM-DD.md**（最近90天）：每日原始日志和汇总- **archive/**（无限制）：归档内容，有 INDEX 可查### 第二层：信息生命周期（四档分类）原始设计使用权重公式（时间权重 × 重要性权重 × 复用权重），但 LLM 无法真正执行浮点数乘法，公式只是分类判断的复杂表达。直接用分类更清晰：| 类别 | 内容 | 衰减 ||------|------|------|| **永久** | 核心身份、价值观、改变主意的记录 | 不衰减，只演进 || **长期** | 工作方法论、行为模式、跨项目洞察 | 被新信息取代时更新 || **中期** | 进行中项目的关键决策和状态 | 项目完成后降级 || **短期** | 临时讨论、细节、待跟进 | 90天后归档 |### 第三层：记忆使用规则（最关键）**默认不用记忆。** 三分支决策树：1. 用户主动提到背景/项目 → 直接调用记忆2. 问题与记忆高度相关 → 先通用答案，再用记忆举例3. 其他 → 通用答案，不引入记忆### 第四层：关于"温度系统"的澄清原设计的"0-30%-70% 概率提及某话题"机制**不可实现**：LLM 无法在 prompt 层面按指定概率响应，其输出概率由神经网络权重和 API `temperature` 参数决定，不受 context 中写的"概率=0.3"控制。实际可实现的替代方案——三档指令：- `永远不提`：用户明确拒绝的话题- `相关时可参考`：有兴趣但不需要主动引入- `每次相关时主动关联`：用户明确希望频繁提及---## 四条核心哲学1. **记录信号，不记录内容** — 追加"这说明了什么"，不是"用户说了什么"2. **记忆不锁住用户** — 通用问题给通用答案；记忆是上下文，不是约束3. **隐形使用** — 用户感觉到"AI 理解我"，而不是"AI 在查记忆"4. **主动遗忘是能力** — 归档是设计目标；MEMORY.md 应始终反映用户现在是谁---## 文件清单- `实时追加规则.md` — 写入判断标准和格式- `日汇总提示词框架.md` — 日汇总执行步骤- `记忆使用规则.md` — 读取决策树- `信息生命周期管理框架.md` — 四档分类和归档条件- `记忆系统架构.md` — 系统总览和四条哲学

71. AI记忆这个问题总算有人认真搞了……有个叫ASMR的系统把行业里最难的AI记忆基准LongMemEval考出了99%，直接刷爆。这东西不用向量数据库，纯在内存里跑，一边有Agent在持续提取你说了什么、偏好是啥，一边随时准备检索——而且还会主动"遗忘"过时信息。我一直觉得AI最大的问题之一就是没有连贯记忆，每次对话都得重新交代背景，你比如现在很多人喜欢用AI炒股，但是你一直跟踪的领域方向，AI记不住，每次都要重新跟他交流，要是这套东西真的稳，后面的产品体验会变化很大……4月初开源之后可以试一下。

72. 距离提交为ClawHub的Skill和封装为应用又近了一步。Local-Knowledge-Base本地知识库又改进了两版，向量数据库、嵌入模型、图片理解模型、文件感知轮询等全改了，混合搜索精度、分块与入库策略、GPU加速也做了提升，核心技术栈从“能用”提升到“生产级”。基于规模入库数据的深度研究已经跑通。Vibe Coding每一天

73. 明明刚说过，扭头就忘记？OpenClaw记忆系统到底如何配置？

74. Agent Infra到底是什么？【AI基建】

75. AI原生电商出现，Agent帮你从建站到运营

76. LLM 的记忆问题「很快」就不再是问题了？

77. Agent 真正的护城河，正在从工具转向记忆资产

78. Gemini 3 Pro比之前的2.5确实好非常多，分析，做图像视频都很厉害。但个人感觉，还不到能取代gpt 5.1 thinking的强度。尤其GPT “长期记忆”这一块很强，也已经被我训成很懂我的工作合伙人了，这部分太难替代。各有千秋吧，我自己还是要两个都用。AI总结：Gemini 更像“超级检索式分析器”GPT-5.1 更像“策略家 + 思考伙伴”纯信息密度 & 资料整合能力：Gemini 3 Pro 更强多层推理、跨主题整合、结构化深度分析：GPT-5.1 Thinking更强Gemini 3 Pro 的优势多模态 & 超大上下文处理。Gemini 3 Pro 支持文本、图像、视频、PDF 等多种输入模态，也能处理非常长的上下文 (比如大量文档 / 长篇报告 /大数据集) — 这是它的一大杀手锏。逻辑推理 + 数理 / 复杂任务处理能力强。在多个基准测试 (数学、逻辑推理、视觉 + 推理、多模态理解等) 中，Gemini 3 Pro 的成绩在很多项都超过 GPT-5.1。擅长“重”／“大规模”内容处理 + 综合型任务。如果你的任务需要跨文档整合、图文混合分析 (比如政策 + 数据表 + 图表 + 图片)、长时间 context 的研究 — Gemini 会表现得更稳定。GPT-5.1 Pro / Thinking 的优势自适应推理 + 工具 / 代理整合 + 高效对话 / 编码工作流程。GPT-5.1 最新版本 (Pro / Thinking) 强调“根据任务难度自动分配思考资源 + 支持工具调用 / 代码执行 / 多轮对话 + 稳定性 / 开发者友好性”。更适合迭代、动态交互、对话与写作 / 编码。比如你做写作、策略分析、代码编写、快速原型、反复调整 prompt／输出 — GPT-5.1 在速度、连贯性、开发者体验上往往更顺手。在“记忆准确性 / 长对话稳定性 / 多轮交互”方面表现不俗。对于需要持续对话、多轮迭代、状态保持、复杂 prompt chain 的任务，GPT-5.1 更擅长维护连贯和响应一致性。#人工智能#

79. 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

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

81. 《I Reverse Engineered ChatGPT's Memory System, and Here's What I Found!》我逆向拆解了ChatGPT的记忆系统，发现它远比想象中简单高效。它没有用复杂的向量数据库，也没有传统的基于检索增强生成（RAG）机制，而是采用了四层结构： 1. 会话元数据（Session Metadata）：每次对话开始时注入，包含设备类型、浏览器信息、地理位置、订阅等级、使用习惯等。这些信息实时适配你的环境，但不会永久保存。 2. 用户记忆（User Memory）：长期存储明确的用户事实，如姓名、职业目标、兴趣爱好等。这些信息由用户明确添加或模型自动识别确认，并在所有后续对话中持续注入。 3. 最近对话摘要（Recent Conversations Summary）：用轻量级的摘要记录近期用户的消息片段，约15条，帮助模型跨会话保持兴趣的连续性，而非检索完整历史，极大降低了延迟和计算成本。 4. 当前会话消息（Current Session Messages）：滑动窗口式地保留当前对话的全部消息历史，确保对话的连贯性。基于token限制，旧消息会逐步被丢弃，但用户记忆和对话摘要始终保留。这样分层协同，ChatGPT既能做到对用户“知根知底”，又避免了传统RAG系统中高昂的检索成本和复杂度。它牺牲了详细的历史上下文，换来了快速响应和高效个性化。这背后的关键启示是：记忆不必是大而全的储存，而是动态的、分层的管理。会话元数据快速适应环境，显式记忆捕捉核心事实，摘要维系兴趣轨迹，当前消息保障即时理解。它们共同构建了一个“似乎真正了解你”的智能体。对用户而言，ChatGPT可以随着使用越发贴合你的偏好和需求，无需复杂的知识库维护。对开发者，这是一堂务实的工程课：有时简单且精准的设计，胜过复杂难控的系统。 ChatGPT的记忆系统以平衡个性化、性能和token效率为目标，践行了“少即是多”的设计哲学。它记住重要的，而非全部，快速而灵活地陪伴你的每一次交流。 manthanguptaa.in/posts/chatgpt_memory/

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

83. #微博声浪计划##听见微博# DeepSeek新模型曝光，V4架构意外泄露引发关注。该模型采用全新非迭代架构，适配英伟达Blackwell，FP8量化使显存降30%以上，还整合Engram记忆模块等。性能上支持百万级上下文，API成本或为GPT-4 Turbo的1/70，多方信源指向春节前后发布，将影响国产AI竞争格局。搞机的风采的微博音频

84. GPT-5.4 从 25.6 万个词元增加到 100 万个词元时，检索准确率下降了 54%。Opus 4.6 下降了 15%。现在，各大人工智能实验室都声称拥有百万级令牌上下文窗口。GPT-5.4 八天前发布时就宣称拥有百万级令牌上下文窗口。Gemini 3.1 Pro 也已经实现了这一目标。但是，规格表上的数字和实际可用的数字却是两回事。此图表使用 OpenAI 自家的基准测试工具 MRCR v2。它将 8 条相同的信息隐藏在一段庞大的对话中，并要求模型找到其中一条特定的信息。这本质上是对“能否在 75 万字的文本中找到所需信息”的压力测试。在 25.6 万代币的情况下，各模型的准确率相当接近。Opus 4.6 的准确率为 91.9%，Sonnet 4.6 为 90.6%，GPT-5.4 为 79.3%（根据图表脚注，平均值取自 12.8 万至 25.6 万代币）。但当代币数量增加到 100 万时，各模型的准确率曲线就出现了显著差异。GPT-5.4 的准确率骤降至 36.6%，正确率约为三分之一。Gemini 3.1 Pro 的准确率也降至 25.9%。Opus 4.6 的准确率则保持在 78.3%。研究人员称之为“上下文腐化”。Chroma 在 2025 年测试了 18 个前沿模型，发现随着输入长度的增加，每个模型的性能都下降了。大多数模型的性能呈指数级衰减，而 Opus 几乎不受影响。接下来是定价问题。今天的公告彻底取消了长上下文溢价。现在，一个 90 万个代币的 Opus 4.6 请求与一个 9 千个代币的请求的单价相同，即每百万个代币 5 美元/25 美元。而 GPT-5.4 对超过 27.2 万个代币的请求仍然收取 2 倍输入费用和 1.5 倍输出费用。也就是说，你为了一个在完整上下文中只有大约三分之一的概率能正确检索信息的模型支付了更高的费用。对于任何构建需要运行数小时、处理数百页法律文件或在单个会话中加载整个代码库的代理程序的人来说，唯一重要的数字是模型是否真的能找到你输入的内容。当令牌数量达到 100 万时，这些模型之间的差距就变得非常大了。

85. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

86. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

87. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

88. 第三方AI工具KiloClaw全场景实测榜单出炉，小米MiMo-V2-Pro直接霸榜，通用、代码、规划、问答、调试、评审全维度领跑，把一众海外头部模型甩在身后。之前MiMo免费期冲榜时，很多人觉得霸榜是因为免费，现在MiMo正式推出Token计费套餐后，海外开发者渗透率不仅没下滑，反而持续走高，事实又打脸了那些逢米必质疑的那帮人。小米能做到这一点，核心还是硬实力撑住了。1M长上下文、原生工具调用、Agent专项优化，都是开发者刚需能力，没有花架子。生态层面看，小米MiMo-V2系列已正式接入全球顶级Agent框架Hermes Agent，Nous Research官方力推该模型适配自进化、跨会话记忆等核心特性，且开放两周免费体验窗口。这一合作标志着国产大模型的技术实力与生态适配性均获得国际开发者市场的客观认可，国产大模型不靠补贴、纯靠性能在海外开发者圈站稳脚跟，又是小米！#小米MiMo获Kilo多个热门场景榜单第一#

89. Clawdbot 如何记住一切 / 解析🦞的记忆系统

90. 折腾了一晚上，终于让 AI Agent 拥有了跨会话"长期记忆"openClaw 2026.4 新增 Memory Search，原理是把记忆文件向量化做语义检索。配置过程一言难尽① 文档路径写错。加进去直接 config invalid，网关启动失败。翻源码才找到正确路径② 索引建好了但 Agent 不调用。tools 白名单里没加 memory_search，Agent 手握指令却无工具可用③ Ollama 的 embedding 模型 5 分钟自动卸载。得用 keep_alive=-1 常驻，重启后还得重新预热。最后写了个 LaunchAgent 开机自动加载三个坑踩完，效果：飞书群聊 A 的结论，群聊 B 的 Agent 能通过语义搜索自动找回来。Webchat、微博 DM 也全部共享同一套记忆目前索引的是记忆文件（MEMORY.md、memory/*.md），Agent 会把重要信息自动写入。还有个进阶功能叫 session transcript indexing，能把每轮对话原文也编进向量库，不过先用基础版跑通再说方案：ollama + bge-m3 + tools 白名单 + 开机预热。一劳永逸#openclaw##aiagent#

91. 构建智能代理时，如何让它们更好地理解上下文、积累经验并实现自我学习，是提升任务成功率和稳定性的关键。Acontext 是一个开源的上下文数据平台，专为自学习代理设计，帮助你存储对话内容、观察任务进展、收集用户反馈，并将经验以结构化方式保存到长期记忆中。它集成了多线程会话管理、任务状态跟踪、文件存储和知识空间，支持通过后台智能代理自动提炼和复用技能，极大简化了上下文工程。无论是构建更可靠的智能助理，还是提升多任务处理能力，Acontext 都提供了一套完整解决方案。项目地址：github.com/memodb-io/Acontext主要功能：- 多模态对话会话存储，支持消息和任务的高效管理- 任务代理自动收集任务状态和用户偏好- 文件系统式的代理产物存储- 类似 Notion 的知识空间，系统化管理学习技能- 经验代理自动提炼、保存和检索技能，支持代理自我演进- 提供本地 Dashboard，实时查看消息、任务和经验支持快速启动的 CLI 工具，基于 Docker 和 OpenAI API，适合开发者和 AI 产品团队使用。通过 Acontext，构建更强大、可扩展且智能的自学习代理变得更简单。

92. vivo 宣布了全球首个专为“端侧 Agent”构建的 3B 大模型。有意思的不只是它参数不算大能跑端侧，而且它不是只给自家助手用的——开发者也能基于它构建自己的端侧智能体。这意味着一件新鲜事：过去我们讨论“手机厂商的AI助手”，现在可能要开始讨论“手机系统级AI操作层 + 开放Agent生态”了。#2025vivo开发者大会#

93. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

94. 2025年被科技界提及最多的词—Agent！大家都把它视为下一个风口。那究竟什么是Agent？Agent到底能做些什么？这期视频，带大家看看理想同学Agent又能带给我们的生活哪些改变？ #理想i8# 骆智慧的微博视频抽奖详情

95. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

96. #DeepSeek何时支持语音聊天#随着DeepSeek新模型MODEL1的架构细节曝光，语音聊天功能的呼声愈发高涨。从技术储备来看，DeepSeek早已在语音识别、语义理解等领域实现突破，67B模型在嘈杂环境下识别准确率提升23%，还能解析模糊语音指令，情感识别准确率达89%，技术底座已然扎实。此次新架构的KV缓存优化和FP8解码支持，让推理速度翻番、显存占用大减，恰好能解决语音交互的实时性痛点。不过从更新重点来看，MODEL1当前更侧重编程能力与长文本处理，语音功能可能不是首要目标。但语音早已是AI对话的标配，尤其在车载、医疗等场景需求迫切。现在推出不算晚，关键是结合自身优势打造差异化体验。除了语音聊天，更期待DeepSeek将Engram记忆模块与语音结合，实现跨场景对话连贯性，同时开放语音接口让开发者二次创新。 deepseek何时支持语音聊天

97. 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#

98. 推特热议、AI 万亿美元新赛道，「上下文图谱」到底是什么？创业机会在哪？

99. 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？

100. 刚刚，OpenClaw史上最猛更新！AI记忆可自由插拔，开发者等了半年

101. 开发者在使用 Claude Code 编写代码时，想要自动保存每次操作的上下文和工具使用情况，方便后续继续工作。Claude-Mem 是一款为 Claude Code 打造的持久化记忆压缩插件，能抓取工具执行的观察数据，通过 AI 进行语义压缩，并将相关上下文注入到未来的编码会话中。它支持跨会话保持上下文连贯，内置智能搜索功能，能用自然语言查询历史操作，极大提升项目管理和代码回溯的效率。插件提供 Web UI 实时查看记忆流，并可配置隐私标签过滤敏感信息。更有实验性的“无限模式”，通过压缩和分层存储实现更长的会话记忆，适合复杂项目的持续开发。主要功能：- 自动捕获并压缩会话数据，实现跨会话记忆延续- 语义搜索工具，快速定位历史决策和代码修改- Web 界面实时展示记忆流和搜索结果- 灵活配置隐私控制和上下文注入策略- 支持实验性无限扩展会话长度的“Endless Mode”- 基于 SQLite 和向量数据库结合实现高效存储和检索适用于需要在多次编码会话中保持项目上下文连续的开发者，尤其是使用 Claude Code 进行 AI 辅助编程的用户。项目地址：github.com/thedotmack/claude-mem安装简单，启动后自动生效，无需手动操作。想让 AI 更懂你的代码历史，这个开源插件值得一试。

102. 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？

103. OpenClaw AI Agent漏洞可导致提示词注入攻击与数据窃取

104. AI Agent记忆架构

105. Agent 的记忆系统 —— 短期上下文与长期状态管理

106. Claude Code记忆系统还会做梦？

107. 当我们谈论 AI 记忆系统，我们在谈论什么

108. 记住 ≠ 学习

109. 构建具有长期记忆的 AI Agent

110. 淘天面试官

111. Agent 记忆机制

112. Agent的“记忆”到底怎么来？

113. Agent如何联动短期记忆和长期记忆？

114. 你的 AI Agent 还在失忆？这个 MemOS 让它们拥有了长期记忆

115. Agentic记忆模块

116. 想用好AI Agent？你得先搞懂“短期记忆”和“长期记忆”的区别

117. Agent的短期缓存与长期沉淀记忆，决定AI的智商上限

118. 把 1 万份文档、3000 份人物档案都喂给 Agent

119. RAG救不了Agent记忆。阶跃星辰负责人揭秘

120. 我给 AI Agent 装了一个「长期记忆」，零 API 成本，效果炸裂

121. Agent记忆不能只会存

122. Agent 的记忆系统

123. Agent 记忆技术详解（一）

124. Openclaw 的长期记忆是怎么实现的？

125. ClawdBot的长期记忆是怎么实现的？

126. 如何让 Agent 真正记得住

127. AI Agent落地拉胯？长期记忆的3类记忆+3段管道是关键

128. AI Agent 的记忆，根本不是“它真的记住了”

129. Agent 记忆检索只靠语义相关性？三维记忆检索模型，让AI真正“过目不忘”

130. Agent进化关键

131. Agent记忆写入机制

132. Obsidian 如何启发了 Agent 的记忆机制

133. AI agent 的记忆系统，很多团队第一步就做反了

134. Tair 短期记忆架构实践

135. 你的Agent记忆系统可能白做了

136. RAG 之后是什么？智能体记忆（Agent Memory）架构与算法浅析

137. 告别拼凑

138. 【OpenClaw 记忆机制】第1课

139. 模型原生的智能体记忆

140. 渐进式披露机制，使企业知识成为可被Agent调用和推理的「上下文」

141. 🚀【进阶篇】第 8 课

142. 【上下文工程】一文看懂

143. 人工智能中的记忆

144. 大模型时代的长短期记忆-CoMeT

145. 告别文件存储的混乱

146. RAG当主力，MemPalace把记忆准确率干到 96.6%，token 成本为0

147. LangChain（四）Memory 核心要点

148. 大模型应用开发进阶

149. 生产级 AI Agent 记忆管理

150. 记忆工程:AI系统的长期价值积累之道

151. AI Code 企业落地问题

152. ICLR 2026 | LightMem

153. 记忆，正成为AI行业发展的“分水岭”

154. 那个“记忆OS”，正在变成一件过时的行李

155. 千问大模型记忆模块白盒化

156. LMEB长程记忆检索基准

157. OpenClaw 记忆向量化存储系统（用 Embedding 实现语义级记忆检索）

158. RAG不香了，ASMR把记忆准确率干到了99%

159. LightMem

160. 利用基于超图的记忆机制

161. DeepSeek Engram为大型语言模型开辟“记忆轴”

162. AI 智能体记忆系统现状深度调研（六）

163. LlamaIndex技术深度解析

164. Agent 记忆终于有救了！5 款开源框架横评，附落地架构选型指南

165. 看完YC总裁的Agent系统，我把手里其他AI记忆方案全停了

166. 方案拆解

167. 别再卷长短期记忆了！开源 Agent 进入“自我进化”时代

168. AI Agent 为什么总是“健忘”？Google 提出了一个有意思的方案

169. 从硅谷杀出来一个彻底开源的AI记忆系统，是真的优雅！

170. MemBrain让AI拥有长期记忆系统

171. Hermes Agent

172. 字节跳动开源 OpenViking

173. 智能体架构-向量数据库分析

174. 向量数据库要被“干掉”了？HydraDB 650万美元融资背后的AI记忆新范式

175. 养虾记·第110期｜龙虾的记忆宫殿——向量数据库选型指南

176. 27k Star！Chroma 开源向量数据库

177. 智能体的记忆之魂

178. 一行代码，让你的 AI 拥有永久记忆！告别昂贵的向量数据库

179. 一文读懂 Milvus

180. 向量数据库

181. 假如说要设计一个多轮对话Agent，你会怎么设计？

182. 快手面试官问“怎么设计多轮对话Agent”，我答完他沉默了

183. 面经分享｜高并发多轮对话的上下文状态管理

184. 面试绝杀！大模型必考题

185. 如何“学会忘记”？记忆衰减算法-智能体的新陈代谢系统

186. 12个开源项目告诉我

187. 亚马逊云科技助力AI自建记忆模块，Agent构建秘籍第三章！

188. 上交大×OPPO综述Agent外部化

189. AI不再“鱼的记忆”！阿里云百炼记忆库上线，让Agent记你一辈子

190. 照着抄就行

191. 不要折腾记忆系统了！零门槛但极具实战的超强AI Agent 记忆方案

192. OpenClaw与Agent落地企业的关键一步

193. 2026 年了，给 AI Agent 做记忆到底该用哪个方案？

194. Agent Memory系统设计实战

195. 智能体记忆被推到新高度

196. **2025下半年AI Agent集体落地

197. 深度探索 | AI Agent的记忆模块

198. Agent 记忆神器：LangGraph + Mem0

199. Agent Memory

200. 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

201. 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。

202. AI Agent 记忆系统设计：短期记忆与长期记忆

203. Paper Daily！长时记忆检索基准来了，Embedding模型“全能王”时代终结

204. AI智能体“记忆”突破：成本骤降，效率翻倍，通用性更强

205. 基于OpenClaw的个人Agent记忆架构实践

206. 迈向人类般的 AI Agent 记忆

207. 多轮对话的上下文管理实战：在无状态大模型 API 下保持连贯性的工程方法

208. 阿里云百炼上线Agent记忆库，让「龙虾」应用更懂用户

209. Agent的记忆机制如何设计

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

211. AI Agent 记忆系统：从短期到长期的技术架构与实践 - 哔哩哔哩

212. agent智能体长期记忆机制的思考与工程

213. Agent 记忆

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

215. 没见过这么全的agent memory综述

216. Dify上下文管理核心机制

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

218. Agentic Memory - AI Agent记忆系统: 了解Agents工具

219. 从理解到记忆再到回答：Embedding→向量数据库→RAG 的完整链路

220. 使用Microsoft Agent Framework链接外部存储资源

221. 拒绝暴力压缩！分层索引版OpenClaw大量削减Token > OpenClaw 原版多轮对话全量加载历史，越聊越贵，超限后暴力压缩直接丢失关键决策。我们借鉴 OpenViking 思路，实现了三层分层记忆索引（L0 时间线 / L1 关键决策 / L2 完整原文），按需加载，实测 Token 消耗削减 74%，关键决策永不丢失。完整代码已开源。 #OpenClaw #分层索引 #Token优化 #多轮对话 #记忆系统

222. 用 LangChain4j 实现多轮对话“记忆”功能

223. 美团大模型二面：RAG系统如何管理多轮对话上下文？

224. Spring AI记忆持久化实战：JDBC存储让对话记忆不再丢失

225. AI记忆乱象破局：向量数据库+本地小模型，抖吖销售助手重构效率新范式

226. AI 记忆系统新突破：不用向量数据库，Agent 协作实现 99% 准确率

227. 【OpenClaw 记忆机制】第12课：嵌入缓存 - 避免重复计算 Embedding

228. 别折腾高门槛记忆了！给你零门槛、超实用的AI记忆方案。

229. 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

230. Agent记忆系统设计：四种类型、三大策略

231. 视频分享——Dify1.9零基础开发本地Agent智能体 - 哔哩哔哩

232. 什么是 LlamaIndex，它为何出现？它主要解决了什么问题？

233. 扣子进阶：把Bot调教成"记得你"的那种，多轮对话全教程

234. Memvid：给 AI Agent 的单文件记忆层

235. AI的记忆问题解决了！最强记忆基准99%的准确率

236. AI开发者必看！10种向量数据库大起底

237. Agent记忆框架怎么选？5大Agent Memory项目工程级横向对比，哪一种才是未来Agent记忆的标准答案

238. Memobase: 一个开源AI Agent的记忆系统

239. 字节开源OpenViking:Agent上下文管理数据库

240. AI Agent中的多轮对话是什么？效果如何优化？

241. AI总失忆？龙虾的本质就是记忆系统。AI总失忆？OpenClaw 三层记忆模型实战指南 🧠🔥 受够了前言不搭后语的 AI 助手？那是因为你没给它装上“外脑”！想要真正让机器自己干活，高效的记忆管理是核心。今天深度解析 OpenClaw 的核心记忆打法——“文件即记忆”。通过本地 Markdown 文件，结合三层架构，彻底解决 AI 容易忘事、上下文受限的痛点。👇 🛠️ 抄作业级别配置： 1️⃣ 检查配置： \context detail 看清 Token 开销。 2️⃣ 开启神仙组合：混合检索 (语义+精准) + 时间衰减 (让旧记忆淡化) + MMR去重 + Compaction 前自动 flush。 3️⃣ 文件物理分层： 📁 MEMORY.md 存核心决策与长期偏好 📁 memory/日期.md 存每日临时任务 📁 AGENTS.md 存行为规范与人设 4️⃣ 自动化回顾：在 HEARTBEAT.md 设定周任务，让 Agent 自己整理记忆，实现自我进化！进阶 AI 玩家必备的底层架构，赶紧点赞收藏，对照着优化你的 Workspace 吧！💻🤖 #AI #AIAgent #OpenClaw #人工智能 #技术流

242. 【AI Agent 记忆系统：从短期到长期的技术架构与实践】本文系统阐述AI Agent记忆系统的核心技术：短期记忆（会话级上下文管理）与长期记忆（跨会话知识沉淀）。涵盖上下文工程策略（压缩、卸载、隔离）、Record/Retrieve架构、主流框架（ADK/LangChain/AgentScope

243. 多智能体记忆的追踪

244. AI Agent 记忆 (Memory)

AI Agent记忆系统真相：选错方案，你的智能助手只会越记越乱

精选参考来源