AI助手记不住事？揭秘记忆机制如何决定Agent能否从“工具”进化为“搭档”_服务软件

1. 爆肝10亿token，我给OpenClaw做了个龙虾管家！【一键安装龙虾】

2. 天禧Claw仿生记忆系统在OSWorld全球测评中登顶第一，首次超越人类记忆力基准线，凭借17亿参数多模态记忆模型打造专属个人记忆图谱，可将多源信息转化为情景、语义、程序三种记忆，为长程复杂任务提供超强记忆支撑，让AI更懂你、执行更稳定、响应更精准。#天禧AI我的专属超能搭档 ##联想AI主机#

3. Agent 真正的护城河，正在从工具转向记忆资产

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

5. 奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识

6. 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#

7. 转译：深度拆解 Hermes Agent 的记忆系统：它如何修正 OpenClaw 的误区作者：Manthan Gupta 如果你读过我之前关于 ChatGPT、Claude 以及 Clawdbot 记忆系统的文章，你就会知道我一直在钻研同一个问题：这些 AI 智能体（AI Agent）到底是怎么记事的？ Hermes Agent 对我来说格外有趣，因为这次我不需要只靠观察它的行为来搞“逆向工程”。Hermes 是开源的，它的代码库和文档都是公开的。所以，我没有通过提示词（Prompt）去盲测这个黑盒，而是直接翻看了它的代码路径——从它如何构建提示词状态、持久化会话，到如何清理记忆和查询历史对话。简而言之：Hermes 拥有的不是一套记忆系统，而是四套。 1. 存储在 MEMORY.md 和 USER.md 中、经过高度浓缩的提示词记忆。 2. 通过 session_search 调用的 SQLite 历史会话存档（可搜索）。 3. 像程序记忆（Procedural Memory）一样运作的智能体技能管理。 4. 可选的 Honcho 层，用于更深层的用户建模（User Modeling）。把这些设计联系在一起的核心逻辑非常简单：保持提示词稳定以便利用缓存（Caching），其他一切繁杂信息都交给工具。让我们深入聊聊。 Hermes 的上下文结构在理解记忆之前，我们先看看 Hermes 到底给模型发送了什么。系统提示词（System Prompt）大致是按以下顺序组装的： ------- [0] 默认智能体身份 [1] 工具使用行为指南 [2] Honcho 集成模块（可选） [3] 可选系统消息 [4] 固化的 MEMORY.md 快照 [5] 固化的 USER.md 快照 [6] 技能索引 [7] 上下文文件（AGENTS.md, SOUL.md 等规则文件） [8] 日期/时间 + 平台信息 [9] 对话历史 [10] 当前用户消息 -------- 这非常关键，因为 Hermes 正在针对大模型供应商的提示词缓存（Prompt Caching）机制进行优化。代码显示，提示词构建器的目标非常明确：让稳定的前缀部分尽可能长时间地保持不变。这一个决定就解释了 Hermes 大部分的记忆架构。如果某条信息每一轮对话都要用到，Hermes 会尽量把它缩得很小并注入进去；如果信息量很大、属于历史旧账或者偶尔才有用，Hermes 就会把它踢出提示词，改用“按需检索”的方式。第一层：固化的提示词记忆其内置的记忆系统小得令人惊讶。 Hermes 将持久记忆存储在 ~/.hermes/memories/ 下的两个文件中： 1). MEMORY.md 智能体笔记：环境、规范、工具怪癖、教训限制：2,200 字符 2). USER.md 用户画像：偏好、沟通风格、身份信息限制：1,375 字符这容量真不大。加起来大约只有 1,300 个 Token（模型理解文本的最小单位）。而这正是刻意为之。在会话开始时，Hermes 加载这两个文件，把它们渲染进提示词区块，然后在整个会话期间固化这个快照。会话中途写入的记忆会立即存入硬盘，但不会改变已经生成的系统提示词。这些改动只有在开启新会话，或者触发了“压缩（Compression）”导致的提示词重建时才会生效。渲染后的格式如下： ------ ═══════════ MEMORY (你的个人笔记) [67% — 1,474/2,200 字符] ═══════════ 用户的项目是一个位于 ~/code/myapi 的 Rust Web 服务，使用 Axum + SQLx § 这台机器运行 Ubuntu 22.04，安装了 Docker 和 Podman § 用户喜欢简洁的回复，讨厌冗长的解释 ------ 这里有几个我非常欣赏的细节设计： 1. 使用字符限制而非 Token 限制：这让记忆逻辑与模型无关。Hermes 不需要调用特定模型的计算工具就能判断记忆是否存满。 2. 简单的分隔符文件格式：条目之间用 § 分隔。没有复杂的向量数据库（Vector DB），没有自定义二进制存储，就是纯文本。 3. 刻意保持极小的系统提示词空间：这是整个设计的重中之重。Hermes 不想把所有历史都塞进提示词，它只想要最有价值的事实。 4. 记忆是“精选状态”，而不是“日记”：这是 Hermes 与 OpenClaw 最大的区别。 OpenClaw 的日志更像是“流水账”。而 Hermes 则反其道而行。它的工具架构和测试逻辑强调： • 保存用户偏好。 • 保存环境事实。 • 保存反复出现的错误修正。 • 保存稳定的规范。 • 不保存任务进度。 • 不保存会话结果。 • 不保存临时的待办事项（TODO）。真相是：Hermes 希望 MEMORY.md 和 USER.md 保持精简、高频且对缓存友好。 memory 工具 Hermes 通过一个拥有三种操作的 memory 工具来管理这些文件：add（添加）、replace（替换）、remove（移除）。一个好用的细节是：replace 和 remove 使用子字符串匹配。你不需要记住条目的内部 ID，只需要传入现有条目中一段唯一的文字即可。此外，系统会拒绝完全重复的内容，并拦截危险信息。源代码会扫描记忆条目，防止提示词注入（Prompt Injection，即通过输入恶意指令误导 AI）、凭证泄露或隐藏的 Unicode 字符。第二层：用于情景回溯的 session_search 如果说 MEMORY.md 是 Hermes 的“短期热记忆”，那么 session_search 就是它的“长尾回溯系统”。所有过去的会话都存储在 SQLite 数据库中，拥有完整的索引和搜索功能。当模型需要想起以前聊过的内容时，它不去翻 MEMORY.md，而是搜索这个会话数据库。其工作流程是： 1. 在过去的消息中进行全文搜索。 2. 按会话分组结果。 3. 加载匹配度最高的会话。 4. 使用一个便宜的辅助模型对这些会话进行摘要总结。 5. 将精炼后的回顾内容返回给主模型。这是一种非常务实的设计。它比盲目地把长篇累牍的历史塞进每一个提示词要便宜且高效得多。第三层：压缩与记忆冲刷（Memory Flush） Hermes 另一个聪明之处在于它处理长对话“压缩”的方式。当会话变得太长，Hermes 会压缩对话中间的部分以节省空间。但摘要是有损的，重要事实可能会丢失。于是，Hermes 会先进行一次“记忆冲刷”。在压缩之前，它会发送一条指令告诉模型： > “会话即将压缩，请保存任何值得记住的东西。优先保存用户偏好、修正建议和重复模式，而非具体的任务细节。” 然后它运行一次额外的模型调用，只开启 memory 工具。如果模型觉得有什么东西该留下来，就会在对话被“洗掉”之前把它写入 MEMORY.md。第四层：作为程序记忆的技能（Skills） Hermes 不仅能记住事实，还能记住技能。技能（Skills）存储在 ~/.hermes/skills/ 下。当 Hermes 发现了一个复杂的流程、修复了一个棘手的问题或学会了更好的方法时，它可以将其保存为“技能”。大多数记忆系统只关注“语义回溯”（名字、偏好、事实），但智能体还需要记住如何做事。为了效率，Hermes 不会把所有技能都塞进提示词，而是只放一个技能索引，只有在需要时才加载具体的技能内容。第五层：用于深层建模的 Honcho 最后是可选的 Honcho 层。如果说本地记忆是 Hermes 的笔记本，Honcho 就是它尝试构建的复杂用户模型。它能实现跨设备、跨平台的记忆连续性。最精妙的是它如何在不破坏提示词缓存的前提下实现集成： • 在会话的第一轮，Honcho 的上下文会被织入系统提示词。 • 在之后的对话中，为了保持提示词稳定，Honcho 的回溯内容会附加在当前用户的提问后面，而不是修改系统提示词。这确保了缓存依然有效，同时 AI 依然能读到最新的背景信息。 Hermes 与 OpenClaw 的区别 • OpenClaw：记忆更接近“以 Markdown 为中心的存储”，日志和长效文件是主要事实来源。 • Hermes：提示词记忆被严格限制，历史记录存在 SQLite 里，只有需要时才搜索。 Hermes 更加关注缓存效率。它认为：不是所有东西都配住在“系统提示词”这个黄金地段。总结：Hermes 做对了什么？ 1. 冷热分离：小规模提示词记忆负责常驻信息，搜索负责偶尔用到的信息。 2. 缓存优先：它意识到频繁改动提示词会导致延迟增加和成本上升。 3. 记忆的多样性：它承认记忆是分层的——包括个人画像、情景回溯、操作技能和深层建模。 Hermes 的核心设计原则最令我折服：记忆应该让智能体变得更好用，而不是通过摧毁提示词的稳定性来换取博闻强识。真正的诀窍不是记住更多，而是在正确的层级、以正确的成本，记住正确的事情。原文：x.com/manthanguptaa/status/2034849672985288957

8. 由2条Prompt到2条命令，让你的Claude Code拥有无限上下文，不会乱Grep浪费Tokens（帮你省Tokens），按你所想埋头苦编，绝不越界

9. 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

10. 「Github一周热点107期」OpenAI收购的AI安全工具、AI代理事务所、OpenClaw技能库、claude code插件和上下文数据库

11. 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

12. 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

13. 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#

14. 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

15. 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/

16. 高效沟通与协作：让邮件、会议、日程不再占用你的时间（进阶实战：搭建完整的沟通自动化工作流）

17. 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#

18. 【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#

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

20. 对话郝建业：Agent记忆、安全以及Harness框架

21. 《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/

22. 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

23. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

24. 真的忍不了现在车上的假智能！车企天天吹 AI 智能体，实际就是个语音助手，人一下车全归零，认不清人、记不住习惯，根本 “养不熟”。魏牌 V9X 基于归元 S 平台，搭载OMS+VLM 双感知系统，配合打扰度模型、端云协同仲裁架构与LLM 分层记忆系统，带来真正的原生 AI 智能体，能识人、有记忆，还会主动帮你调好空调、规划导航，不用你一遍遍重复指令。懂分寸不打扰，越用越贴合你的习惯，彻底告别冰冷的机械交互。4 月 17 日，归元 S 技术发布会暨魏牌 V9X 预售发布会，这才是未来座舱该有的样子！#认人识人是AI智能体的照妖镜##魏牌V9X#

25. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

26. Anthropic发布万字长文：系统化评估 AI Agents 的工程方法

27. 为什么大模型不设计成带有记忆的？

28. 刚刚，Claude实现「永久记忆」！官方还没上线，大神已玩疯

29. 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

30. VLA 在微调之后，能遗忘到什么程度？上交CVPR'26的工作给出了答案

31. 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？

32. 中国19岁常青藤少年重塑AI记忆，斩获各大榜单全球第一，点亮AI联想科技树

33. # 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

34. 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#

35. Clawdbot 如何记住一切 / 解析🦞的记忆系统

36. 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#

37. 【Claude Code任务系统深度解析：从待办清单到依赖感知的智能编排】做过复杂项目的人都有这种体验：你让AI帮你重构代码，它干到第四步突然忘了第二步是前置条件，开始做依赖未完成任务的工作。上下文丢失，前功尽弃。扁平的待办清单已经不够用了。Claude Code最新推出的任务管理系统彻底改变了这个局面。它本质上是一个依赖感知的编排层，能理解任务之间的阻塞关系，跨会话持久化，还能将工作分配给并行代理。这套系统有四个核心能力值得关注：第一，完整的依赖管理。任务可以阻塞其他任务，Claude在前置任务完成前不会启动被阻塞的工作。比如任务3被任务1和2阻塞，那它就必须等1和2都完成才能开始。再也不会出现“忘了先配置数据库”这种低级错误。第二，真正有效的持久化。会话内，任务状态能在上下文压缩时存活；跨会话，设置环境变量CLAUDE_CODE_TASK_LIST_ID后，任务能在完全独立的对话间保持。第三，代理分配与并行执行。任务被分配给命名代理，多个工作者同时启动，它们读写同一个任务列表却不会冲突。第四，可视化进度追踪。终端里按ctrl+t就能看到所有任务状态：已完成、进行中、待处理、被阻塞，一目了然。系统提供四个核心工具：TaskCreate创建任务，TaskUpdate修改任务状态和依赖关系，TaskGet获取任务详情，TaskList查看全局。依赖管理是这套系统的精髓所在。当你给任务3添加addBlockedBy: [“1”,“2”]时，意味着任务3必须等任务1和2都完成才能启动。一旦任务3完成，被它阻塞的任务4和5会自动解锁，变为可执行状态。这个机制从根本上杜绝了“在前置条件未满足时就开始工作”的问题。任务以JSON文件形式存储在~/.claude/tasks/目录下，每个任务一个文件，包含主题、描述、状态、阻塞关系等信息。这意味着你可以备份、版本控制，甚至用外部工具读写这些文件。代理分配的工作流程很有意思：Claude先创建任务并分配owner字段，然后启动代理并告诉它“你是fact-checker，去TaskList找分配给你的任务然后完成它们”。代理会自己发现任务、标记进行中、执行工作、标记完成。Claude可以在一条消息里启动多个代理并行运行。代理有四种类型：通用型能读写编辑搜索执行命令；Bash型只能跑终端命令，适合git操作和测试；探索型只读不写，用于快速了解代码结构；规划型也是只读，专注于设计实现策略。不同类型对应不同的速度和安全级别。模型选择上，haiku适合简单任务，sonnet适合大多数编码工作，opus适合复杂推理。什么时候该用任务系统？三步以上的多步骤工作、有依赖关系的任务、可能跨会话的工作、复杂重构或功能开发、需要多代理协作的场景。简单的一次性问题或单文件编辑就没必要了。这套系统的价值在于：它把Claude从“有时会跑偏的聪明助手”变成了“能用结构化方式管理复杂工作的编排者”。你获得了可见性、依赖约束、持久化、并行能力和清晰的责任归属。结构化能力决定了你能处理多大规模的复杂性。这个道理对人如此，对AI同样如此。x.com/nummanali/status/2014684862985175205

38. 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。

39. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

40. 感觉今天全网都在抄写Anthropic泄（开）漏（源）出来的51万行Claude Code源代码，我不懂技术，但里面有个细节特别有意思，充满了理科生的浪漫：在长期记忆系统里，有一个名为做梦（Dream）的离线任务Agent，它的运作模式是在用户每天去睡觉后，对白天的流水账日志进行总结和蒸馏，然后以人类日记的格式（YYYY-MM-DD.md）追加写到记忆文件里。也就是说，当人类睡觉时，模型开始做梦，通过「梦境」来记录它对人类的认识和了解。是不是很空灵的感觉？

41. LLM 的记忆问题「很快」就不再是问题了？

42. 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！

43. 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

44. 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#

45. 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。

46. MemPalace：好莱坞女星米拉·乔沃维奇携手开发者推出开源AI记忆工具，基准测试夺冠知名演员米拉·乔沃维奇（Milla Jovovich）与工程师Ben Sigman共同开发了一款全新的开源AI记忆工具——MemPalace，并于近日正式宣布发布。该工具采用“记忆宫殿”（Memory Palace）架构，灵感来源于古老的记忆术，能为AI代理（agent）提供持久、结构化的长期记忆。开发者表示，MemPalace完全本地运行，无需任何外部API或付费服务，用户可免费在GitHub上获取并使用。#人工智能# 据项目公布的数据，MemPalace在行业标准基准测试LongMemEval上取得亮眼成绩：原始召回率达96.6%，通过轻量级重排序后可达到100%，超越目前所有已发布的免费或付费AI记忆工具（如Mem0、Zep等）。不同于传统方案依赖AI自动总结和遗忘，MemPalace采用无损压缩技术，完整保留对话原文，并以虚拟“宫殿”中的房间、抽屉等结构进行组织，从而显著提升AI在长上下文场景下的记忆与检索能力。 Ben Sigman在社交媒体上兴奋地表示：“我们非常高兴能与好友米拉共同开发这款免费开源工具，它已在GitHub上线。” 米拉·乔沃维奇也在Instagram发布视频介绍项目理念，并鼓励开发者试用、反馈、Fork或贡献代码。目前项目已迅速获得数千星标，并开设了Discord社区供用户交流。开发者欢迎全球AI爱好者参与共建，推动AI记忆技术的进一步发展。

47. 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#

48. AI记忆革命爆发！Clawdbot如何像大脑般记住一切

49. 看大家都在搞openclaw的自主进化学习，目前测试来看，大部分的智能体都可以实现，让他自己给自己生成记忆体长文和临时会话记录，临时的就是当前会话干完活就销毁，支持多个智能体协同记忆，除了openclaw，opencode，claude，codex都可以实现，每一次都会提炼，一些刁钻的问题，本次解决之后，下次直接本地检索，不会消耗token，速度和效率都会提升，准确度也提高了。

50. 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

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

52. 边聊天也能边导航，添加/切换途经点全程语音操作？全新的鸿蒙座舱小艺智能体到底怎么样。

53. 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

54. 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？

55. 刚刚，GPT-5.4核心内幕炸裂剧透！或拥有永久记忆，极限推理狂飙

56. 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。

57. AI 是否有 Token 预算意识，能养成「花小钱办大事」的习惯吗？

58. 《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

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

60. 你知道什么叫认知卸载吗？有没有感觉这两年记忆开始变差，注意力很难集中，看了就忘。我前段时间看到一个知识，让人醍醐灌顶。它说app收藏功能实际上造成了认知卸载。#认知卸载 #学习 #记忆 #阅读

61. #用声音马住中国年##微博声浪计划# OpenClaw AI自动化工具新手入门！#OpenClaw上手教程# OpenClaw是低门槛AI自动化代理工具，无需编程，用自然语言指令替代重复工作。核心功能含办公自动化、跨工具协同、轻量定制和开发辅助，适配多场景，30分钟即可完成云部署。凯文思考的微博音频

62. 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。

63. 是的，插件确实会占用上下文窗口。每个插件加载后，它的 Skills（SKILL.md Meta 信息）、Agents 定义、Hooks 配置等都会被注入到上下文中，让 Claude 知道有哪些能力可用。插件装得越多，这部分系统指令就越长，留给实际对话和代码处理的空间就相应减少。//@窗边的小硕硕:宝玉老师，claude code装的插件越多，是不是越挤占上下文窗口？

64. DeepSeek V4 + Open WebUI + Hermes = 我帮你搭的私人AI员工！

65. 传统AI Agent需要海量预设技能和复杂配置，动辄几十万行代码，Token消耗巨大，部署麻烦还容易幻觉。GenericAgent 只需3.3K行种子代码，就能自我进化，自动生长专属技能树，实现浏览器/终端/文件系统/键鼠/屏幕/手机的全系统控制，Token消耗仅其他Agent的1/6。首次任务自主摸索安装依赖编写脚本，下次直接一句话调用。越用越聪明，形成独一无二的个人技能树。GitHub：github.com/lsdefine/GenericAgent主要功能：- 自我进化机制：自动将任务执行路径固化为可复用Skill；- 9个原子工具：code_run/file操作/web控制/ask_user等，直接接管系统；- 分层记忆系统：L0元规则到L4会话归档，30K上下文超省Token；- 多前端支持：桌面GUI/终端UI/微信QQ飞书企业微信钉钉Bot；- 真实浏览器注入：保留登录态，支持屏幕视觉和ADB手机控制；- 支持Claude/Gemini/Kimi/MiniMax等主流模型，跨平台运行。pip安装依赖，配置API Key即可启动，适合开发者/自动化爱好者/企业使用。#AI代理# #智能Agent# #自我进化#

66. 「人类负责消除歧义，AI 负责在较少歧义的环境下执行」。看上去这是一个上下文问题，但有三种情况，上下文是人类提供不了的。第一种情况是，这个人是个外行，他根本不知道必要的上下文。第二种情况是，这个人是个内行，但他目前还没有掌握必要的上下文，得在随后的思考和实践过程中，一步步探索和理解关键约束。第三种情况是，上下文的信息量过于庞大，无法浓缩与输入，其中还有不少是 “体感” 一类的不容易翻译成语言的信息，或者上下文分散在不同的人那里（协作场景），无法约束所有人整齐划一地输入。缺乏必要的上下文，AI 就不可能输出可靠的概率计算结果。

67. 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。

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

69. DeepSeek v4全面支持百万上下文 token，这意味着什么？到底有多厉害？

70. 小白也能听懂：OpenClaw强在这4点

71. 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

72. AI agent四种核心记忆架构视频源于 IBM Technology，深入探讨了提升 AI 智能体效能的四种核心记忆类型。作者通过类比人类认知，详细解释了作为短期“暂存盘”的工作记忆、存储事实与规则的语义记忆、指导执行任务的程序记忆，以及记录过往经验的情境记忆。文稿指出，虽然简单的机器人可能仅依赖上下文，但复杂的智能体需要整合这些记忆系统来积累经验并避免重复错误。视频强调了有效的记忆管理是区分普通聊天机器人与真正智能代理的关键。这种架构不仅让 AI 具备持久的知识库，还使其能够通过蒸馏历史信息实现类似于人类的持续学习。

73. AI Agent记忆架构

74. 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

75. AI Agent之记忆系统Memory

76. Agent 记忆系统深度解析

77. 新手程序员必看

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

79. 迈向人类般的 AI Agent 记忆

80. AI Agent记忆系统详解

81. Agent 的记忆系统 —— 短期上下文与长期状态管理

82. 腾讯突然开源王炸！AI Agent 终于开始“长记性”了 AI Agent 最大的问题，

83. 让AI智能体拥有“永久记忆”的底层技术全景

84. 面试高频题

85. 京东面试官

86. 《智能体设计模式》第8章

87. Agent进化关键

88. 智能体记忆架构（Agent Memory）

89. OpenClaw记忆系统解析

90. Agent如何联动短期记忆和长期记忆？

91. AI Agent的记忆机制

92. 分层记忆

93. AI Agent 的长期记忆

94. AI智能体持续学习之道

95. AgenticRL教程 Day5

96. AI算法原理0基础入门-第37回-长期记忆——让智能体记住你

97. <智能体设计模式>第8章

98. 16-记忆系统

99. Agent 记忆管理不是仓库，是流动的血液

100. AI Agent 为什么必须有“记忆系统”？

101. AI Agent记忆系统完全拆解!

102. 你的AI越来越贵？可能是上下文没管理好

103. 什么是上下文窗口？有什么限制？

104. 为什么上下文窗口再大也替代不了记忆——AI Agent的RAM与硬盘之争

105. 智能体记忆

106. 告别拼凑

107. 【OpenClaw 记忆机制】第1课

108. AI变蠢了？上下文腐烂？六大解药专治Context Rot

109. 【Harness 系列 06】上下文工程

110. 大模型的上下文会腐烂，这是大模型内生的缺陷。并不是给钱越多，上下文越大，就越好用。

111. 第二章

112. AI圈最新黑话"上下文腐烂" - Anthropic内部分享

113. 长上下文必崩？LLM 最大隐患「Context Rot」终于被根治了！

114. Claude Code 1M上下文实战技巧，告别上下文腐烂

115. 真正限制大模型的，不是上下文大小，而是“上下文腐烂”

116. 腾讯开源Agent记忆方案，Token消耗最高降低61%意味着什么？

117. 腾讯开源Agent Memory技术详解

118. 直播预告｜Agent Token 焦虑

119. 清新研究团队

120. 拆解 Claude Code（四）

121. 那个“记忆OS”，正在变成一件过时的行李

122. 给数字员工派“助理”

123. 印象笔记高级副总裁

124. 如何构建个人研发项目专用AI助理

125. Codex + Obsidian + Hermes 架构，搭建个人 AI 助理

126. Agent 如何压缩上下文

127. 08-上下文管理与会话压缩

128. Learn Harness Engineering-第五讲. 让跨会话的任务保持上下文连续

129. AI终于不会"转身就忘"了

130. 【Hermes教程第五章】记忆系统

131. 我用Obsidian + Claude Code搭了三层记忆系统，彻底解决了AI跨会话失忆

132. AI Agent核心

133. MemPrivacy

134. Agent长期记忆的隐私焦虑，终于有救了。

135. 【OpenClaw 记忆机制】第4课

136. 《端云分离的AI永久记忆方案

137. MemPrivacy

138. AI 有了“记忆”，是个性化福音还是隐私黑洞？

139. MemPrivacy 开源

140. Agent时代最大的雷区，终于被这个开源模型给填上了

141. AI可控记忆与选择性遗忘算法框架设计

142. 实测！OpenClaw记忆检索方案升级

143. 长对话记忆天花板！HyperMem超图架构，92.73%准确率终结检索碎片化

144. RAG不香了，ASMR把记忆准确率干到了99%

145. 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”

146. AI 永久记忆时代来了！ASMR 刷爆 99% 准确率，健忘症彻底被攻克

147. 千问大模型记忆模块白盒化

148. AI永久记忆突破

149. [Agent记忆] ICLR26-RF-Mem-熟悉度驱动的快慢双路径记忆检索

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

151. MemR3

152. Idiap研究院

153. Google团队的记忆缓存技术

154. 北大等高校突破

155. StreamMeCo

156. 让AI更聪明更省钱

157. MIT+英伟达联手

158. 总编辑圈点 | 更小内存带来更强AI，压缩内存可提升大模型处理任务准确性

159. 降虾十八招05

160. 麻省理工学院全新突破:AI大模型记忆压缩技术让超长推理变成可能 - 哔哩哔哩

161. 主流智能体记忆机制转向“可控遗忘”，头部企业已落地用户主导的主动遗忘架构

162. 持续智能体的主动遗忘机制

163. 灾难性遗忘

164. 什么是智能体的记忆机制(Agent Memory）

165. 语言模型上下文学习重现人脑记忆的间隔效应

166. agent智能体长期记忆机制的思考与工程

167. AI的记忆问题解决了！最强记忆基准99%的准确率

168. 大模型上下文窗口不够长？ICLR 2026四种记忆增强架构实现无限长序列处理

169. AI Agent 记忆系统框架设计方案

170. Mem0 集成实战——为 CrewAI 添加跨会话记忆

171. Mem0 + Elasticsearch：构建 AI 记忆系统

172. 解决边云智能Agent隐私-效用两难！兼顾隐私保护和个性化体验的记忆管理框架【大语言模型】【AI隐私保护】【智能Agent】

173. Agent 记忆全景综述：20+顶尖机构联合出品，Agent memory看这一篇就够了

174. AI 智能体记忆系统现状深度调研（九）：记忆机制背后的技术-记忆压缩与检索

175. AI 越懂你，隐私越危险？MemPrivacy 如何实现端云智能体的“记忆自由”

176. Claude Code 深度拆解：记忆系统 3 — 会话记忆与三阶段压缩

177. 通俗讲解大模型短期记忆 vs 长期记忆

178. 长期对话记不住？论文把记忆单位改成了“事件”

179. GenericAgent：用极简架构破解长程Agent的“上下文诅咒”

180. 用 Obsidian 打造 AI 助手的长期记忆：三层记忆实战方案

181. 为什么 AI 不能有无限记忆？到底什么是上下文窗口限制？

182. LangGraph - 05：管理短期记忆，让长对话不越界

183. Agent的记忆系统：让AI拥有真正的上下文理解能力

184. [译] MIT 提出的递归语言模型（RLMs）：彻底解决大模型「上下文腐烂」

185. Claude Code 1M上下文时代来临！Anthropic重磅教学：如何玩转会话管理，彻底告别“上下文腐烂”？

186. 智能体记忆优化策略（二）

187. **主流AI智能体记忆系统升级为关键能力模块，Claude、GPT-4o、Gemini 1.5引领技术演进**

188. 基于多轮对话和session依赖的agent记忆评估

189. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

190. 【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）实现差异，及Mem0等开源方案集成，并探讨MaaS、多模态记忆等前沿趋势。https://developer.aliyun.com/article/1710635?utm_content=g_1000410335

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

192. 实战案例day9 上下文管理之长短期记忆

193. Agent-memory-记忆的持续性与演变机制

194. Karpathy谈改善智能体长期运行的记忆机制

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

196. 换个配置，AI 记忆准确率翻倍！实测 OpenClaw memory-core vs LanceDB

197. OpenClaw本地记忆强化与记忆蒸馏索引推荐方法，Token节省达95%

198. 终于搞懂了！大模型上下文到底是什么？还在迷信“上下文越长，AI越聪明”？这两个概念，90%的人都搞反了！上下文=大模型的“工作记忆窗口” • 模型没有长期记忆，每次只能读取窗口里的内容 • 窗口里装着：系统指令+历史对话+当前输入+生成内容 • Token是上下文的“货币”：中文1字≈1-2Token，128K≈10万汉字 • 窗口有上限，本质是算力和内存的限制，不是设计缺陷 3个致命误区，你中了几个？ 1. 长上下文≠全部理解：关键信息放中间，模型容易“Lost in the Middle” 2. 上下文≠记忆：Claude“记得”对话，只是每次都重新传了历史 3. 塞满窗口≠高效：截断会失忆、压缩会失真，RAG才是精准方案 💡 正确使用姿势：重要指令放开头/结尾，别埋中间；长文档分段处理；跨对话靠数据库记忆。用好窗口，比买更大的窗口更重要！收藏起来，下次用AI别再踩坑！ #AI #大模型 #ChatGPT #Claude #上下文窗口

AI助手记不住事？揭秘记忆机制如何决定Agent能否从“工具”进化为“搭档”

精选参考来源