AI Agent长期记忆与任务连续性的核心价值及实现路径_服务软件

1. Clawdbot 如何搭建永久记忆管理系统：全靠 MD 文档

2. 最火、最全的Agent记忆综述，NUS、人大、复旦、北大等联合出品

3. 《扣子开发 AI Agent 智能体应用》021-扣子数据库实战（扣子数据库的管理和传统数据库区别）

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

5. 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？

6. 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

7. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

8. 我的翻译助手长了脑子：OpenClaw如何让翻译工作拥有"记忆力"

9. 下一个“AI卖铲人”：算力调度是推理盈利关键，向量数据库成刚需

10. 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？

11. 最强大脑组合！全球SOTA的逻辑和记忆CodeBrain-1&MemBrain1.5同时开源

12. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

13. 云小二 Aivis 的架构实践——基于上下文工程与多智能体的自主服务新形态

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

15. 能否使用RAG技术来解决大模型的长期记忆问题？

16. 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？

17. Claude更新记忆功能，一分钟迁移所有上下文

18. DeepSeek-V4终于更新了！一百万超长上下文，Agent能力大幅增强，能力接近Opus 4.6

19. 《扣子开发 AI Agent 智能体应用》019-扣子数据库实战（扣子数据库概述）

20. 智能体，正在决定企业的生死？ #大有学问 #红衣聊AI #智能体 #AI工具

21. AI硬件终于能开始替人干活了

22. 说实话，我认为记忆力是目前持续学习的最大障碍。让我夜不能寐的问题是：我们如何利用记忆避免重蹈覆辙？我们如何教会模型有选择地记忆和遗忘？何时呈现正确的背景信息？人类通过记忆巩固、干扰管理和情境绑定自然而然地做到这一点，然而，我们尚未找到复制这种机制的方法。人类海马系统与当前LLM记忆架构之间的差距揭示了一个根本性的挑战：我们基本上构建了两个极端：要么是将所有信息都硬编码到参数中的模型（刚性模型），要么是使用RAG（随机数生成器）机械地检索信息（模糊模型）。真正的持续学习要求我们破解智能检索的密码；不仅要知道存储什么，还要知道抑制什么、何时强化，以及如何让旧知识优雅地消退而不造成灾难性的干扰。非常喜欢这篇调查，因为它从宏观角度展现了 LLM 和多模态模型中的记忆架构（也很喜欢其中受大脑启发的分类法，很棒！）。我会尽我所能系统地绘制出它的图谱。三部分框架：他们围绕新皮层-海马体-前额叶皮层的类比来构建记忆：内隐记忆/新皮层涵盖了嵌入模型权重中的参数知识，包括记忆编辑技术（如 ROME 和 MEMIT，它们通过精确修改权重来更新事实）、通过 LoRA 等适配器注入知识，以及通过记忆遗忘来删除有害内容。显性记忆/海马体研究外部检索系统；RAG架构、向量数据库、知识图谱。它们详细阐述了如何在不同的粒度（文档、组块、句子、图结构）和优化时间（无训练、联合预训练、SFT等）下组织记忆。智能体记忆/前额皮层探索自主智能体如何维持短期记忆（CoT++）与长期记忆（外部事实数据库、历史轨迹、用户反馈等）。我非常喜欢这个关于记忆的思考框架，但我认为除了分类之外，这项调查最大的贡献在于指出了尚未解决的问题：记忆污染/幻觉、大规模检索的计算负担、何时应该检索信息而不是依赖参数化知识，以及长时间交互过程中记忆一致性的挑战#科技先锋官##ai生活指南##ai创造营#

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

24. 看 AgentRun 如何玩转记忆存储，最佳实践来了！

25. 《扣子开发 AI Agent 智能体应用》020-扣子数据库实战（创建/使用扣子数据库）

26. LLM 的记忆问题「很快」就不再是问题了？

27. Agent 真正的护城河，正在从工具转向记忆资产

28. 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#

29. 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#

30. WWW 2026｜让MoE路由拥有「记忆」：RMS-MoE用检索记忆协同实现更高效专家调度

31. 对话郝建业：Agent记忆、安全以及Harness框架

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

33. 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

34. 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

35. 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？

36. 【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#

37. 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？

38. 在线构建智能体记忆库的必备利器！🚀Honcho 是一款开源的记忆库与托管服务，专为构建有状态的智能体（stateful agents）设计。它支持任何模型和架构，能持续学习并维护用户、智能体、群组、观点等实体的动态状态，让你的智能助手记忆力爆棚，更加可信和个性化。主要亮点：- 统一的“伙伴”模型，支持多参与者多会话交互- 多种记忆存储原语：工作空间、会话、消息、集合与文档- 强大的异步推理系统，自动生成用户画像与会话摘要- 自然语言查询聊天接口，快速获取用户偏好与历史信息- 支持多种大模型（OpenAI、Anthropic、Google Gemini 等）- 丰富的SDK支持 Python 和 TypeScript，开发体验极佳- 灵活配置，支持本地部署、Docker 和云端部署（Fly.io）GitHub: github.com/plastic-labs/honchoHoncho让你的智能体拥有“记忆”，让人机交互更自然、更高效，也帮助你打造持久的竞争壁垒。#开源项目# #人工智能# #智能体开发# #长期记忆# #Honcho# #Python神器#

39. 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

40. 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？

41. 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

42. [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。

43. Clawdbot 如何记住一切 / 解析🦞的记忆系统

44. 【AI Agent的终局不是无限上下文，而是60年前的操作系统】快速导读：大家都在卷百万上下文窗口，但一篇新论文和一线实践者的共识是：真正的解法是把AI的上下文当成一个文件系统来管。这不仅是理论，更是正在发生的事实。---几乎所有人都默认，AI Agent的瓶颈是上下文窗口不够大。从几千个token卷到上百万，仿佛只要窗口无限，AI就能包揽一切。但一篇名为《Everything is Context》的论文提出了一个反直觉的观点：解决上下文问题的最佳方式，是退回到60年前，像操作系统一样，把一切都视为文件系统。记忆、工具、外部源、人类笔记，都作为文件出现在一个共享空间里，只在需要时加载必要的部分。这不只是个学术脑洞。评论区里的一线开发者证实，他们早已在实践中这么做了。他们发现，真正的难题不是建立文件结构，而是决定“不加载什么”。上下文工程的核心，是战略性地遗忘，而不是暴力地堆砌。当AI的每一次信息调用都有时间戳和来源记录，调试Agent的过程就从“重跑一遍碰运气”，变成了像git-blame一样精确回溯。有人一针见血地评论：我们正在以惊人的速度，重跑一遍计算机科学60年的历史，最后发现，操作系统第一次就做对了。最好的想法不会消亡——它们只是在等待房间里的人跟上。---简评：长上下文的暴力美学走到了尽头，架构的优雅开始回归。从“大力出奇迹”到“万物皆文件”，不是技术倒退，而是认知升级。AI的未来，藏在计算机科学的过去里。---ref: x.com/rohanpaul_ai/status/2028184543040270769#AI创造营##人工智能#

45. 一个挺有意思的项目，值得体验一下：ClawTeam-OpenClawGitHub：网页链接如果你已经在用 OpenClaw / Claude Code / Codex / Hermes 这类 CLI Agent，应该会秒懂它的价值——它不是单纯再造一个 Agent，而是让一个 Agent 可以继续拉起多个 Agent 一起干活。比如你只给一个目标：“做一个 Web App”然后它可以自己拆任务、拉 worker、分工开发、同步进度、最后汇总结果。我觉得它最有意思的点有几个：默认深度适配 OpenClaw，不是顺手兼容一下，而是真正往 OpenClaw 工作流里嵌多 Agent 协作更工程化：任务拆分、会话隔离、结果汇总，不再全靠人盯着支持多种 CLI Agent：OpenClaw、Claude Code、Codex、Hermes、Cursor 等说白了，以前大家用 AI coding agent，很多时候还是“一个人单兵作战”；这个项目想推进的是：把 AI 编码从单兵模式，推到小团队协同模式。#OpenClaw# #AI编程# #多智能体# #AIAgent# #ClaudeCode# #Codex#

46. 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！

47. 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#

48. 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#

49. AI记忆革命爆发！Clawdbot如何像大脑般记住一切

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

51. OpenAI 这步棋走得对——从编辑器走向操作系统级的 agent。但关键瓶颈是上下文管理。Codex 的记忆功能还只是 preference memory，不像一些开源框架已经有完整的三层记忆（会话/长期/技能）。谁先解决 agent 的长期记忆问题，谁就拿到下一阶段的入场券。

52. 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。

53. 《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

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

55. 一篇关于 AI Agent 本地语义记忆增强的实践文章。作者用 BGE-M3 + Ollama + sqlite-vec，为 Hermes 增加跨会话语义搜索能力，补足 FTS5 只能做词面匹配的短板，并对比了 openClaw 的混合检索方案。文章包含插件设计、索引触发、向量数据库选型和实际安装路径，适合关注本地 Agent、长期记忆、语义检索与隐私友好架构的开发者阅读：网页链接

56. 大模型上下文工程指南

57. 【#小米17开始推送miclaw#】小米澎湃 OS3 Beta 版今日向小米 17 系列、REDMI K90 Pro Max 等机型推送“龙虾”智能体 Xiaomi miclaw。根据小米官方介绍，Xiaomi miclaw 能让手机成为 AI 的工具，在理解你的意图和给予授权后，调用一方应用、生态能力，也能自主选择系统级工具，完成你的命令。它能认识你、记住你，也能判断你一句模糊的任务，帮你完成操作。它还能持续成长，能够调整自己的行为，也能扩展自己的能力，最后通过记忆系统把经验沉淀下来，越用越懂你。由于这是一个前沿探索型产品，在稳定性、功耗表现与复杂场景执行成功率方面仍在持续优化过程中。部分高复杂度任务可能存在执行效率波动或阶段性失败的情况。 http://t.cn/AXxX5Sw5

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

59. 《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/

60. GPT-5.4据传下周上线！200万上下文窗口+持久化状态，告别频繁遗忘

61. 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#

62. AI-Agent记忆管理:从理论到实践围绕“AI Agent 为什么记不住、如何构建可持续记忆”展开

63. AI Agent落地拉胯？长期记忆的3类记忆+3段管道是关键

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 —— 短期上下文与长期状态管理

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

70. 论文解读

71. AI Agent 怎么做长任务？Anthropic 的三层架构实践

72. 对话不压缩Agent必死！三层压缩救命指南

73. Ralph Loop 不够用

74. Anthropic 出品

75. AI Agent 一旦要连续跑 5 天，过去那套架构就不够用了

76. 一文看懂 AI Agent 的记忆机制

77. AI Agent系列课程-第3篇

78. AI Agent 记忆详解

79. Agent的记忆系统

80. AI Agent 记忆系统框架设计方案

81. Agent-memory-保证记忆相同且高质量的重要性

82. Microsoft Agent Framework - AIContextProvider 上下文管理

83. 为生产级 AI Agent 构建持久化记忆:五阶段流水线与四种设计模式

84. 给AI Agent装上无限记忆

85. AgentMemory

86. 让 Coding Agent 记得住

87. 【Agent】Agent 怎么"记住"你说过的话

88. 记住 ≠ 学习

89. 给AI Agent装

90. Memvid

91. AI agent 的记忆系统，很多团队第一步就做反了

92. 构建高效的、可理解上下文的生产级多智能体框架

93. 让AI Agent跨越上下文窗口

94. Agent 上下文管理

95. LongSeeker

96. 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”

97. LightMem

98. 新手程序员必看

99. Agent 记忆管理不是仓库，是流动的血液

100. DNA Memory v3.0

101. Agent的“记忆”到底怎么来？

102. 一张图讲清楚 AI Agent 的三层记忆架构

103. 记忆问题终于全部搞定自动化。聊一下AI Agent的记忆问题。

104. Agent 没记忆？那不叫 AI，只是高级复读机

105. AI Agent最大痛点

106. 我花了四个月才搭好的AI助手记忆系统

107. 告别 AI “金鱼记忆”！OpenViking 如何让你的 Agent 过目不忘？

108. 颠覆传统静态用户画像！Meta提出个性化AI Agent架构

109. 你的 AI Agent 每次重启都变回陌生人？这个插件让它真正「记住自己是谁」

110. AI Agent记忆系统完全拆解!

111. 壮笔记丨综述：Agent记忆方案梳理

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

113. AI Agent 个性化底层：对话记忆与上下文优化逻辑

114. 告别 AI“鱼的记忆”！深度拆解 memory-lancedb-pro，给你Agent装上顶级外脑

115. AI agent正在默默记住那些你随口一提的琐事

116. 为 AI agent 构建智能上下文记忆

117. 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。

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

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

120. AI Agent 的灵魂是“长期记忆”，它记得你的咖啡偏好，甚至记得你上周随口提的裁员计划。但在律师眼里，这哪是贴心服务啊，这是游走在隐私泄露的边缘。传统的 App，数据是死板的。但AI Agent 的记忆是通过向量数据库存的非结构化数据。用户随口抱怨的一句“最近失眠”或者商量的一句“公司下个月要裁员”，在法律上都属于“敏感个人信息”。#aiagent #ai #隐私保护 #ai侵权 #个人信息安全

121. Microsoft Agent Framework - 持久化 Agent 对话

122. 我评论了的作品： AI的上下文容量是指AI在一个会话里处理内容多少的一个调优后的数值，200k tokens 280k tokens，考验的是agent的优化，如果非按记忆理解，为了均衡速度与质量，同会话下从第三轮开始就就已经对最开始的会话内容做衰减了，上下文压缩本身是一种提示词蒸馏 prompt distillation，优化提示词，做Memory全局记忆的根本原因也是让LLM尽量留存更重要的信息，所以system参数里往往会放角色或者规则定义。是否重开会话取决于你用的是Codex or Claudecode，还是其他通用AIagent，各自产品都有提示词优化机制，包括自动压缩上下文后为你开启下一次会话。帮你尽量保持逻辑连续性，帮你做全局Memory，you know？#74d74b2001cd3d224e1d217c290b3146 #b8b2702e72f60c98067ee4a95f902dbe #AIagent

123. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

124. 浅解大模型的上下文窗口

125. Agent如何联动短期记忆和长期记忆？

126. 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

127. AI Agent记忆架构：从认知到。AI Agent的记忆系统，就像人类大脑的三层认知结构：短期记忆对应CPU Cache，直接参与推理；工作记忆对应RAM，动态加载关键信息；长期记忆对应SSD硬盘，持久存储海量数据。信息流转遵循「输入接收→压缩总结→价值评估→持久固化→检索唤醒」的五步漏斗，像操作系统一样完成数据换页与调度。主流架构分为Buffer、Summary、Vector、Hybrid、Reflection五种： - Buffer：零信息丢失，适合短对话 - Summary：压缩历史，突破窗口限制 - Vector：语义检索，容量无限 - Hybrid：BM25+向量双轨融合，工业级标配 - Reflection：元认知反思，催生智能涌现工业级最佳实践采用分层存储+两阶段检索，未来将向多模态、联邦记忆、神经符号混合等方向演进。 #agent #程序员科普 #学习打卡

128. 腾讯开源 Agent 记忆插件，最高省 61% Token 很多 AI Agent 最大的问题不是不会干活，而是任务一长就开始忘事。腾讯这个开源插件，核心就是给 Agent 加一套记忆系统，让它记住任务过程、用户偏好和项目背景。OpenClaw 和 Hermes 都支持，长任务玩家可以重点看看。#AIAgent #OpenClaw #HermesAgent #开源项目 #ai长期记忆

129. AI 智能体终于有长期记忆？

130. 用AI做了个视频生成系统，根据之前的论文解读自动生成的视频今天我们花两分钟来一起学习一篇非常前沿的agent memory论文，讲的是如何给AI智能体打造一个像人类一样灵活、会学习的“记忆系统”。这篇论文的名字叫《A-MEM: Agentic Memory for LLM Agents》。我会像讲故事一样，结合我们生活中的例子，让你轻松理解这个复杂的技术。一、为什么AI需要一个更好的“记忆”？想象一下，你正在和一位朋友进行一次跨越数周甚至数月的长谈。如果这位朋友只能记住最近几分钟聊的内容，之前聊过的所有事情——比如他喜欢的电影、他遇到的难题、你们一起得出的结论——他全都忘了，这样的对话还能进行下去吗？肯定会非常困难。现在的很多AI智能体就面临着这样的“健忘”问题。它们就像只有“金鱼记忆”（耳边突然响起徐良的7秒钟的记忆🎵🎵），虽然能在单次对话中表现很好，但一旦对话变长、任务变复杂，它们就记不住之前发生过什么了。这就是研究人员所说的“记忆碎片化”挑战。传统的解决方法，比如给AI一个固定大小的“笔记本”（就像MemGPT系统）或者一个简单的“记忆银行”（MemoryBank），都太死板了。这个笔记本写满了就不能再写，或者只能按固定的规则去记、去查，无法适应千变万化的真实世界。那么，有没有一种方法，能让AI的记忆像我们人类一样，可以不断整理、关联、甚至温故知新呢？这就是A-MEM系统想要解决的问题。 #大模型 #agent #智能体 #ai视频 #memory

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

132. 本地AI记忆插件！某讯Agent Memory 分层索引架构架构揭秘：L0原文→L1原子记忆→L2场景聚类→L3用户画像存储机制：JSONL+SQLite双写，异步向量化不阻塞对话召回策略：FTS5关键词+向量混合检索，RRF融合排序源码拆解：核心逻辑配置调优：关键参数详解 #OpenClaw #AgentMemory #AI长期记忆 #RAG架构 #graphmemory

133. 为什么你的 AI 什么都记不住？

134. 你的AI助手是不是也“鱼的记忆”？是时候让它学会“长记性”了！

135. Agent的短期缓存与长期沉淀记忆，决定AI的智商上限

136. 每天半小时AI知识 | 5万星！开源AI记忆系统让Agent永远记住你

137. 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

138. Agent长期记忆如何选？阿里云选型指南

139. 本地大模型总是“金鱼脑”？这个 GitHub 开源神器，给你的 AI Agent 换上“永久固态硬盘”！

140. AI 编程助手开始长记忆了。 Claude-Mem 这个项目，GitHub 已经约 7.6 万 Star。它给 Claude Code、Codex、Gemini、OpenCode 这类编程 Agent 加长期记忆层。以前 AI 写完这次，下次就忘。现在它开始记住项目线索、工具调用和上下文。 AI 编程下一步，不只是会写代码，而是能长期参与项目。 #ClaudeMem #AI编程 #AIAgent #开源项目 #程序员

141. 迈向人类般的 AI Agent 记忆

142. 郝天翔AIAgent智能体Coze应用开发工程师精品体系课技术实战详解资料 - 哔哩哔哩

AI Agent长期记忆与任务连续性的核心价值及实现路径

精选参考来源