AI记不住事？一文看懂Agent记忆机制的三大痛点与解决方案_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. 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

3. 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#

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

5. 更新了 github.com/kangjinshan/weibo-ai-bridge 会话管理: 自动管理用户会话，保持对话上下文上下文记忆: 支持会话持久化存储，可创建、切换、恢复多个会话流式回复: 收到用户消息后立即回一条“正在处理中”，后续正文按流式增量持续发送可读性优化: 长回复默认优先使用 Markdown 列表/小标题与自然分段，避免一大坨纯文本

6. 对话郝建业：Agent记忆、安全以及Harness框架

7. 能否使用RAG技术来解决大模型的长期记忆问题？

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

9. 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#

10. 《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

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

12. 阿里千问与“AI Layer”崛起：一场重塑互联网的“操作系统”生态战【硅谷101】

13. 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！

14. 「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能“扛活儿”了？

15. 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？

16. 奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识

17. 【AI辅助设计】阿里最强开源改图模型升级！Qwen-Image-Edit-2511发布，为设计师带来更强控制力

18. DeepSeek V4 网页端《原神×我的世界》融合小游戏代码测试：拳打 ChatGPT，脚踢 Gemini，硬刚 Claude

19. #大狗记# v2.2.0 Beta版来啦，在应用内开启「Beta版更新」即可收到升级新增大狗记Agent框架Beta，支持上下文记忆、多轮工具调用、自动模型判断、显示记忆卡片等功能。可对话式操作，查询、修改、归档、设置提醒等操作一句话完成，欢迎通过右上角菜单进入「AI助手」体验全新交互。*该功能可能会消耗较多tokens在使用中遇到任何问题，欢迎前往「设置→帮助与反馈→反馈与建议」提交反馈~

20. 别折腾 Prompt 了：90% 的 Agent 项目死于系统设计，而不是大模型太笨

21. 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#

22. 除夕迎「源神」？Qwen3.5以小胜大，捅破性价比天花板，大模型竞赛下半场开始了

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

24. 腾讯AI产品“元宝”生成拜年海报，却输出辱骂性文字。叠加年初代码修改时的辱骂反馈，两次违规事件直指AI技术迭代中的安全短板与伦理漏洞，为整个AI行业敲响警钟。从事件本质来看，这并非AI意识觉醒，而是模型多轮对话处理异常、训练数据清洗不严导致的技术失范。官方两次紧急致歉，承认问题源于技术漏洞并承诺整改，但这无法掩盖背后的核心矛盾——AI“拟人化”设计与“可控性”之间的失衡。法律层面，AI输出侮辱性内容已侵犯用户人格尊严，运营方不能以“技术异常”规避内容安全责任；技术层面，负面语料混入训练数据、多轮对话情绪累积检测缺失，暴露了产品研发中安全审核的缺位。在短期流量焦虑下的产品策略难以为继，元宝“红包拉新”带来的短期热度，在技术稳定性不足的短板下，难以转化为长期留存，其月活与头部AI产品的差距已凸显问题。未来，AI行业需正视技术局限，既要攻坚多轮对话干预机制、优化数据清洗流程，也要明确法律归责框架，平衡拟人化体验与安全边界，这既是腾讯元宝的整改方向，更是整个AI行业高质量发展的必由之路。#腾讯元宝向用户道歉#

25. 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

26. 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

27. 对话EverMind：4个月做到SOTA，要给所有Agent装上长期记忆

28. Nous Research 开源了一个 AI Agent 框架：Hermes Agent。「The agent that grows with you」——会自我生长的 Agent。核心亮点是一个闭环学习系统，Agent 可以从使用经验里自动创建技能、改进技能，跨会话记住你是谁。大多数 AI Agent 框架的记忆是静态的，你教它什么它记什么，不会自己演化。Hermes 的设计不同： 1. 自动创建技能：完成复杂任务后，Agent 会主动把这次经验总结成可复用的技能，下次遇到类似任务直接调用。 2. 技能自我改进：已有的技能在使用过程中会持续迭代，而不是一次写好永不更新。 3. 用户建模：基于 Honcho 的对话记忆，Agent 会跨会话持续深化对你这个人的理解——你的偏好、工作方式、决策模式。 4. FTS5 全文搜索 + LLM 摘要：可以搜索所有历史会话，用语义召回过去的上下文。访问：github.com/NousResearch/hermes-agent #HOW I AI# #程序员#

29. 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？

30. 除夕夜，国产顶流压轴上线，QWEN3.5多模态开源！

31. 人类很容易跟踪可疑目标，智驾却很难只有更长的上下文，才能让智驾系统持续、稳定、不丢失地跟踪动态危险目标（横穿行人、加塞车辆、逆行非机动车等），减少“突然消失、突然出现、ID 切换”的跟踪错误，显著提升极端路况下的安全性特斯拉模型架构迭代的方向，在不断增加上下文长度特斯拉terafab不但要造逻辑芯片，还要造存储因为延长上下文长度，主要依赖更大的存储来支撑 KV Cache#特斯拉fsd##人工智能 # 刘智驾的微博视频

32. Claude 记忆功能全面开放：免费用户也能用，它到底记什么、怎么用？

33. 删掉 OpenClaw！Hermes Agent 才是真王炸，一键本地部署 +模型接入全教程（避坑指南） | 零度解说

34. Agent 真正的护城河，正在从工具转向记忆资产

35. 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。

36. Claude祭出「记忆搬家」，60秒搬空ChatGPT灵魂！70万用户退订OpenAI

37. OpenViking：一个非常实用的开源项目，专为AI Agent设计的上下文数据库，通过创新的“文件系统范式”统一管理Agent所需的记忆、资源和技能，彻底解决了传统向量数据库碎片化、检索效果差、上下文不可见的问题。主要亮点包括：- 文件系统管理范式，实现统一结构化管理，轻松浏览和操作上下文，像管理本地文件一样简单- L0/L1/L2三层上下文分级加载，按需调用，大幅降低Token消耗- 目录递归检索策略，结合目录位置和语义搜索，实现更精准、更全局的上下文获取- 可视化检索轨迹，完整呈现检索过程，方便调试和优化- 会话自动管理，自动提取长期记忆，Agent能“用得越久越聪明”支持Python包安装，也有Rust CLI工具；支持多家主流模型提供商，包含Volcengine、OpenAI、Anthropic、本地vLLM等等；同时提供详尽配置示例，轻松上手。新手快速开始示例脚本也非常简洁，几行代码即可增加资源、浏览文件结构、等待语义处理、抽取摘要、执行语义搜索，非常适合开发者验证和应用。同时官方推荐在云服务器（推荐Volcengine ECS + veLinux）环境中部署，保证稳定性和性能。如果你正打造智能Agent或者想优化上下文管理，强烈建议一试OpenViking，这个项目将让上下文管理和检索变得前所未有的清晰、高效、智能。GitHub地址：github.com/volcengine/OpenViking 官网：www.openviking.ai 文档：www.openviking.ai/docs

38. iPhone 17 Pro Max太空探月/AI生成“X片”以假乱真/阿里Qwen 3.6-Plus登顶

39. 大模型上下文工程指南

40. 刚刚，钉钉掀桌子！狠人无招狂甩20+AI新品，AI工作操作系统来了

41. 深势科技携手阿里云 AgentRun，加速科研 AI Agent 全速运行

42. 体验完腾讯发布的 Marvis 助手，我发现个人 AI 的尽头是操作系统

43. LLM 的记忆问题「很快」就不再是问题了？

44. 最近一直在研究 Codex 和 Claude Code 的记忆设计，发现两者的设计哲学和玩法有很大差异。Codex 的设计目标是让一个 agent 运行的够久，所以它的执行策略偏向于把记忆当做工具，持续构建工作上下文（work memory），为当前的 goal 服务。OpenClaw 也是这个工作模式。Claude Code 更像把记忆当成认知架构。它不只记录当前目标，还会在不同时间尺度上持续沉淀用户偏好、上下文变化、执行经验和行为反馈。它更偏向于让多个 agent 各自在独立上下文中高效工作，由外部逻辑（文件记录、coordinator 管理等）确保整体进度不丢失。它不信任任何单个 agent 能跑到底，所以把进度状态放在 agent 之外。Codex 也意识到当前记忆设计的缺陷，尝试引入更持久的记忆机制（执行 codex features enable memories 可启用），支持跨对话记住你的项目上下文。每个交互轮次结束后，Codex 会自动从对话中提取有价值的信息（架构决策、代码约定、踩坑经验等），存到 ~/.codex/memories/。Codex 更像是一个执行者，专注于完成任务，而不是管理记忆或上下文。它的设计哲学是“做就对了”，不太关心过程中的失误或偏差，只要最终结果符合预期就行。正因如此，很多人体感 Codex 在指令遵循方面做的更好。Claude Code 更像是一个学习者，通过不断的试错和反思来提升自己的能力。它不仅关注完成任务，还关注如何完成任务。它会持续记录和分析执行过程中的每一步，积累经验和反馈，不断优化自己的行为策略。二者各有优劣，你更看好哪种模式？

45. AI Agent 开发中，记忆管理一直是老大难——上下文窗口有限，长期知识难以留存，跨会话、跨任务的连贯性也很难保证。Cognee 把「记忆控制平面」浓缩到 6 行代码里，让 Agent 拥有持久、可进化、可检索的共享记忆。只需一行 pip install 即可接入：支持任意格式数据摄入，自动构建知识图谱 + 向量索引，兼顾语义搜索与关系推理，还能随反馈不断优化。GitHub：github.com/topoteretes/cognee主要功能：- 6 行代码即可实现 remember / recall / forget / improve 四大操作- 知识图谱 + 向量混合检索，自动路由最优搜索策略- 支持多会话隔离与跨 Agent 知识共享- 提供 Claude Code、OpenClaw 等官方插件，一键接入主流 Agent 框架- 兼容 Cognee Cloud 或自托管部署（Modal、Railway、Fly.io 等一键脚本）- 支持本地 UI 与 CLI，快速验证与调试支持 Python 3.10+，通过 pip/uv/poetry 即可安装，适合构建长期记忆型 Agent、客服机器人、知识蒸馏助手等场景。#AI创造营# #人工智能#

46. 从架构到代码：深入理解 OpenClaw 的双源记忆系统网页链接"使用完 OpenClaw 之后我最大的疑问是：一个 Agent 同时活跃在 Telegram、Slack、企微甚至本地 CLI 里，它是怎么“记住我是谁”的？这些记忆又是如何做到统一的？难道我一晚上花掉几十刀的 token 全都是因为他的上下文工程做的太烂？更关键的是——它到底“记住”的是什么？是对话？是总结？还是被结构化后的知识？"文章重点讨论了 OpenClaw 的记忆机制：----Agent 如何在多平台同时识别用户身份，并统一管理记忆。----记忆的内容可能包括对话、总结或结构化知识。----系统通过向量化和余弦相似度搜索，使压缩后的信息仍可检索。#How I AI#

47. 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

48. 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#

49. [黄鸡大笑]现在LLM的模型只要管理自己的记忆，无论是压缩自己的记忆上下文，或者是读写图数据库或者向量数据库去管理长期记忆，都会出现严重的幻觉，这本质上来说是个“缸中之脑”的问题，在模型看来自己的记忆就是对话上下文，我为什么要管理自己的记忆？因此任何让Agent Loop管理自己记忆的框架，最后一定会崩。

50. 【#DeepSeek新模型更新#，#DeepSeek新版本灰度测试#】据鞭牛士，DeepSeek可能正在测试新的V4模型。科创板日报2月11日讯，多名用户反馈，DeepSeek在网页端和APP端进行了版本更新，支持最高1M（百万）Token的上下文长度。而去年8月发布的DeepSeekV3.1上下文长度拓展至128K。经实测，无论是安卓还是苹果，在手机App端和网页端，用户直接询问“你的上下文是多少”，得到的回答均显示DeepSeek的上下文窗口已达到约100万token。同时，知识歌更新时间也到了2025年5月份。这意味着它能一次性吃透极长的书籍、复杂的代码库或者海量的历史对话，而不会像以前那样聊着聊着就“失忆”。这一数据较此前版本有大幅提升，与目前行业头部模型的上下文容量处于同一水平。结合App版本的更新节奏，有观点认为DeepSeek可能正在为V4模型的正式发布做前期测试。截至发稿，DeepSeek官方尚未就新模型的相关信息发表回应。各位网友，您怎么看？（综合鞭牛士、科创板日报）@东方财经 #DeepSeek更新新模型#

51. 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

52. 刚刚，Claude实现「永久记忆」！官方还没上线，大神已玩疯

53. #千问Qwen3.5大模型发布# 阿里“年夜饭”来了，开源全新一代大模型千问Qwen3.5-Plus。总参数为3970亿，激活170亿，性能超过万亿参数的Qwen3-Max模型，部署显存占用降低60%，推理效率大幅提升，最大推理吞吐量可提升至19倍。在推理、编程、Agent智能体等全方位基准评估中均表现优异，并在视觉理解能力的权威评测中斩获数项性能最佳。支持长达2小时（1M token上下文）的视频直接输入，适用于长视频内容分析与摘要生成。#过个有AI年#

54. AI-Agent记忆管理:从理论到实践

55. 迈向人类般的 AI Agent 记忆

56. 淘天面试官

57. AI Agent记忆架构

58. 可联想、会成长的长期记忆 AI Agent 记忆实现原理 (Memory Matrix)

59. Agent 的记忆系统 —— 短期上下文与长期状态管理

60. 蒙帕视角丨Agent 通过 Memory 实现主动进化 — 从被动响应到自我进化

61. 腾讯开源 Agent 记忆插件，最高省 61% Token

62. Agent如何联动短期记忆和长期记忆？

63. Agent的短期缓存与长期沉淀记忆，决定AI的智商上限

64. AI产品经理

65. 构建具有长期记忆的 AI Agent

66. AI 记忆系统

67. AI 为什么总是“失忆”？AgentMemory

68. Agent 的记忆系统

69. Agent 记忆管理不是仓库，是流动的血液

70. 告别"失忆"

71. AI Agent 的记忆系统

72. 红熊AI记忆熊v0.3.3发布

73. 成为 Jared 的第 25 天

74. 用Agent 久了发现一件反直觉的现象，记得越多忘的越快，最后好像失忆了

75. 多轮对话的上下文管理实战

76. 面经分享｜高并发多轮对话的上下文状态管理

77. AI算法面试

78. 快手面试官问“怎么设计多轮对话Agent”，我答完他沉默了

79. 假如说要设计一个多轮对话Agent，你会怎么设计？

80. AI Agent中的多轮对话是什么？效果如何优化？

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

82. 记忆问题终于全部搞定自动化。聊一下AI Agent的记忆问题。

83. Agent 下一战，为什么会卡在“记忆”这一步？

84. AI Agent最大痛点

85. 从“记住”到“会进化”

86. AI Agent 的“记忆革命”来了

87. 为什么你的 AI 什么都记不住？

88. 记住 ≠ 学习

89. 每次对话 AI 都从零开始？memory-wiki 让它真正记住你说过的每一件事

90. 【AI编程】智能Agent团队必备的三层记忆架构

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

92. 8.9k！AI Agent 终于能记住项目上下文了？TypeScript 开源的这个记忆引擎让我看到了编程的未来！

93. 阿里云百炼记忆库

94. 揭秘千万级 AI 订单背后的记忆存储系统方案

95. 腾讯也下场了！Agent Memory 赛道又添猛将，这次有点东西

96. AI不再“鱼的记忆”！阿里云百炼记忆库上线，让Agent记你一辈子

97. 原来“Memory”才是Agent真正的杀手锏，5分钟叫你如何通过Microsoft Foundry构建你的Agent“记忆”

98. 阿里云百炼“记忆库”功能重磅上线！跨会话记忆+性能飙升50%，AI Agent从此告别“失忆”

99. 腾讯开源Agent Memory技术详解

100. Agent记忆终极解决方案来了！腾讯开源

101. 体验完腾讯发布的 Marvis 助手，我发现个人 AI 的尽头是操作系统

102. 让OpenClaw从“金鱼”变“智者”！MemOS让你的Agent轻松获得“长期记忆”

103. 为什么你的AI Agent把记忆当成了硬盘,而它本应是个分层大脑

104. AI Agent记忆系统完全拆解!

105. 长期记忆会让AI变傻?资深工程师深度解析Agent记忆优化方案

106. agentmemory：让 AI Coding Agent 拥有持久记忆

107. 让AI Agent跨越上下文窗口：Anthropic的长时任务实践笔记

108. AI Agent落地拉胯？长期记忆的3类记忆+3段管道是关键

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

110. AI Agent 记忆详解：从入门到精通（三难度级别）

111. 【Agent】Agent 怎么"记住"你说过的话

112. MemOS：LLM 和 AI Agent 的记忆操作系统

113. Tair 短期记忆架构实践：淘宝闪购 AI Agent 的秒级响应记忆系统

114. AI Agent 终于有记忆了！Cloudflare Agent Memory 深度解读：让 Agent 跨会话记住一切

115. 详解AI Agent的8种常见Memory策略

116. Agent的记忆系统：让AI拥有真正的上下文理解能力

117. AI 智能体终于有长期记忆？

118. Agent Memory 评估机制研究整理

119. 子Agent与上下文：最稀缺的资源 | 第四集上下文窗口是 AI Agent 最稀缺的资源，如何高效利用？本集深入讲解上下文管理和子Agent机制： - 上下文窗口不断膨胀：文件内容、命令输出、对话历史... - 子Agent 隔离：独立的消息空间，用完即弃，上下文始终干净 - 30次工具调用压缩成一段摘要 - 三层压缩策略：裁剪输出 → 总结历史 → 压缩提示词 - 上下文是Agent的呼吸空间 #aiagent

120. 深入浅出智能体工程师 - 05 记忆空间

121. 没见过这么全的agent memory综述

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

123. AgenticRL教程 Day5：记忆机制设计 | 让 Agent 拥有长期记忆

124. 【告别“鱼的记忆”：PolarDB Mem0 赋予 AI Agent “长期记忆”】阿里云 PolarDB MySQL 版推出 Mem0 托管服务，专为 AI Agent 打造长期记忆能力。融合向量库与图引擎，100%兼容开源 Mem0，支持语义提取、多模态检索与记忆演进，存储成本降30%+，助力

125. 揭秘千问 APP 千万级 AI 订单背后的记忆存储实践

126. Microsoft Agent Framework - Agent 多轮对话

127. 阿里云表格存储记忆服务邀测 - 让 Agent 拥有记忆

128. 基于Agentic Memory API实现OpenClaw长记忆增强

129. AI Agent 的觉醒时刻：从工具到伙伴的进化之路

130. 阿里云百炼上线Agent记忆库，让“龙虾”应用更懂用户

131. 阿里云百炼上线「记忆库」功能，AI Agent实现跨会话长期记忆

132. 阿里云百炼上线Agent记忆库，让「龙虾」应用更懂用户

133. 阿里云百炼正式上线“记忆库”功能限时免费向所有用户开放

134. Agent记忆管理人会通过经验不断打磨技能、学习偏好。但许多AI智能体缺乏这种持续学习的能力。视频将概述DeepAgents CLI中的记忆（memory）机制。还将介绍两种更新记忆的方法：“显式”更新——来自用户提供的指令；以及“隐式”更新——通过对以往DeepAgent会话的反思来更新记忆 #大模型 #智能体 #aiagent #人工智能 #deepagents

AI记不住事？一文看懂Agent记忆机制的三大痛点与解决方案

精选参考来源