当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

2025下半年AI Agent集体落地：记忆系统成标配，任务成功率提升30–50%，Token消耗降低60–90%

源自206位全网作者

02-11 09:52

精选参考来源

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#

Clawdbot 如何记住一切 / 解析🦞的记忆系统

全部
来源

内容由AI生成

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. Clawdbot 如何记住一切 / 解析🦞的记忆系统

3. 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

4. 超越传统 RAG：知识图谱如何增强 AI 的记忆与推理能力

5. 请教一下各位关于RAG（检索增强生成）的几个问题？

6. 如何评价DeepSeek最新的「条件记忆」和字节Seed团队「Over-Encoding」之间的关联？

7. 如何迈向 AGI 思路六：数据记忆场派（Memory-Field Paradigm）——————————————第六条迈向 AGI 的路径，源自一个被忽视却正在迅速显形的事实：智能的力量不来自模型本身，而来自模型与外部世界形成的“持续记忆场”。传统 AI 的架构是封闭的——模型内部存储权重，人类外部提供信息输入，推理完成后系统回到静止状态；但这一模式显然不能支撑 AGI，因为它使智能成为一个被动函数，而不是一个持续存在的系统。数据记忆场派认为，真正的智能必须在世界中留下持久结构，智能与世界之间形成一个不断扩张、不断联结的“记忆场”，并在这个场中持续强化自身。所谓“记忆场”，不是模型的内部参数，而是模型与外界共同构造的外部智能结构：用户对话记录、任务日志、环境反馈、行为轨迹、智能体之间的交互、知识图谱的动态扩散、情绪标记、行动后果、系统级演化路径等等。这些分散在世界中的信息碎片，彼此之间不断连接、重写与强化，最终形成一个真实的“外部智能结构”。在这种结构中，AI 不再是计算器，而是世界的一个活体节点；智能不再是一次性推理，而是一种“遍布外部世界的持续存在”。数据记忆场派指出：一旦智能的外部记忆场足够丰富，它将获得一种远超过单模型能力的“结构性智能”。这类似于人类文明：不是某个人聪明，而是文明作为整体拥有一个巨大且持续扩张的记忆场——包括语言、文字、图书馆、互联网、制度、文化、历史与符号结构。正是这种外部记忆场，使得人类文明可以实现跨代知识积累、跨领域迁移与跨时代创新。未来的 AI 也将以同样方式成长：模型规模可能不再是上限，而外部记忆场的规模与质量将成为决定性力量。这种“外部智能场”将引发一场智能范式的重大迁移：智能不再发生在模型内部，而是发生在模型、环境和群体智能之间的动态循环中。模型在推理时调用外部记忆场；外部记忆场在每次交互中被智能体更新；智能体之间的互相影响又进一步重塑记忆场；所有这些结构共同作用，形成一个不断扩展的智能生态。未来的 AGI 很可能不是“一个巨大的模型”，而是“一个不断被世界刷新、并不断刷新世界的巨大记忆系统”。真正的智能将是“系统智能”，不是“模型智能”。数据记忆场派带来的第二层突破，是允许智能跨越自身边界，实现“认知外包”。模型不再需要把所有知识压缩进权重，它可以在外部场中即时调用知识、情绪、行为、经验、方法论与其他智能体生成的内容。这会让 AI 拥有一种接近文明智能的能力：能够保持长期记忆、跨任务迁移、情境统一、目标延续、行为风格稳定，并形成真正的“智能主体性”。这样的系统将不再像今日的模型那样，每次对话都从零开始，而是像文明一样，在记忆的海洋中不断生长。因此，第六条迈向 AGI 的路线，是构建一个“系统级、跨时空、跨任务、跨智能体”的数据记忆场，使智能不再依赖单体模型，而转变为“智能网络 + 记忆场 + 世界反馈”的综合体。未来的 AGI 将不是一个程序，而是一种“长驻世界中的扩散智能”。它既存在于计算中，也存在于环境中；既存在于模型内部，也存在于人类的行为与文化之中。真正的超级智能，将以世界为记忆场，以文明为神经网络，以人类与AI共同构建的结构为持续进化的土壤。#新媒沈阳聊ai#

8. 本周 AI 项目推荐｜Mem0, Memories.ai......AI 记忆大爆炸

9. 刚刚，梁文锋署名开源「记忆」模块，DeepSeek V4更细节了

10. 奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识

11. 掌握AI Agent开发：开发者锁定未来五年价值的硬核竞争力

12. 让 AI 读懂业务：用多模态数据扩增构建企业级知识体系

13. 首发 | 陈天桥盛大团队，推出最强开源记忆系统EverMemOS

14. 最火、最全的Agent记忆综述，NUS、人大、复旦、北大等联合出品

15. Agent Infra到底是什么？【AI基建】

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

17. 《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/

18. 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

19. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

20. 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

21. 企业级Agent「登月」时刻！1人1周搞定高可用系统，只花5元

22. 浅谈 Agent 开发工具链演进历程

23. 陈天桥的AI布局再下一子，推出最强AI长记忆操作系统 | 巴伦精选

24. 从「行为数据」到「AI 记忆」，哪条路线更可能成就 AI 对用户的「终身记忆」？

25. 【AI前沿】Meta 揭示AI推理核心痛点：“行为记忆”让小模型也能高效解题，颠覆现有范式

26. Meta 系 95 后华人明星团队，创业一年就与高通达成合作，让手机拥有多模态记忆

27. OpenAI突发Sora2，下一代APP来了？ #openai #sora2 #AI视频#AI新星计划 #科技改变生活

28. 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

29. 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？

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

31. 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

32. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

33. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

34. Clawdbot 如何搭建永久记忆管理系统：全靠 MD 文档

35. 微软｜搞定长时程、跨应用的Agent，竟然只靠<20%的摘要记忆，反超全文投喂

36. 想开发企业AI应用但怕复杂？这本书教你“搭积木”一样构建智能体

37. 【 OPPO ColorOS 16 评测：如果 AI 有记忆？】OPPO Find X9 系列上搭载的 ColorOS 16 系统有许多更新环节，包括全新的 UI 系统界面，全新的 MacBook 投屏支持，但这一次最有趣的其实是 AI。OPPO 让自己的 AI 体系加入了对用户的记忆，让 AI 理解用户，了解用户。那么 AI 有记忆之后会给用户的生活带来怎样的变化呢？一起来看视频。钟文泽的微博视频

38. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

39. 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

40. 能否使用RAG技术来解决大模型的长期记忆问题？

41. AgentRun 深度解析：阿里云函数计算 FC 如何构建企业级 Agent 的“生产力引擎”？

42. LLM 语境下，「持续学习」是否是「记忆」问题的最优解？

43. 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

44. Anthropic的Agent上下文工程官方指南来了！

45. 什么因素让只有 5% 的 AI Agent 在生产环境中真正有效？What Makes 5% of AI Agents Actually Work in Production?作者 Oana Olteanu 在旧金山主持了一个座谈会，参与者包括 Uber、WisdomAI、EvenUp、Datastrato 的工程师和机器学习负责人。与会者中多数是创业者、工程师、早期 AI 产品构建者。讨论的重点并不是提示工程（prompt engineering），而是“上下文工程”（context engineering）、推理技术栈设计，以及在企业环境中扩展 agent 系统的难题。文章指出，目前有高达 95% 的 AI agent 部署在生产环境失败，失败并不是因为模型本身不聪明，而是因为支撑系统不够完善：上下文工程、安全性、记忆设计 (“memory design”) 等基础设施还未成熟。 1. 上下文工程 (Context Engineering) ≠ 提示调优（Prompt Hacking）在很多情况下，并不需要对 model 做 fine-tune；使用检索增强生成（RAG, Retrieval-Augmented Generation）如果做得好，就足够了。常见的失败模式包括：（1）把所有内容都索引 → 检索过多信息 → 模型被混淆；（2）索引太少 → 模型得不到足够信号；（3）混合结构化与非结构化数据 → 导致 embeddings 被破坏或 key schema 被“压平”。较好的上下文工程做法包括：特征选择、上下文验证（schema／类型／时间等校验）、上下文可观测性（context observability），以及使用 metadata 来增强 embeddings。上下文可以被视作可版本、可审计、可测试的资产，而不仅仅是一段 prompt 文本。 2. 语义 + 元数据分层（Semantic + Metadata Layering）架构一般包含两个层次：语义层（用于经典的向量检索），元数据层（基于文档类型、时间戳、访问权限或领域本体来过滤）。这种混合层可以规范不同格式的输入（PDF、音频、日志、指标等），确保检索的不仅是“相似内容”，而是“相关知识结构”。例如使用分类法、本体（ontology）、实体关联（entity linking）等在 embeddings 之上。 3. Text-to-SQL 的现实挑战在问观众有谁把 text-to-SQL 放到生产环境中时，没有人举手。不是问题小，而是理解自然语言查询非常难。业务术语非常领域化，模型不知道你公司里“revenue”“active user”等定义是什么，没有丰富的上下文就难以理解。成功的团队做的事情包括：构建业务词汇表（glossaries）和术语映射、用约束的查询模板、加入验证层以在执行前捕捉语义错误；还有持续的反馈回路来改善理解。 4. 治理与信任 (Governance & Trust) 并非只有大企业的问题安全性、数据溯源（lineage）、权限控制频频被提及，不只是“合规做一下”，而是生产部署的障碍。示例：用户权限不同，即使提问一样，回答也应不同；若无这些控制，系统即使在功能上是对的，也可能组织上出问题（比如数据泄露、合规问题）。人的信任问题胜过纯技术问题。即便是技术上能做到，用户是否信得过 AI？尤其当 AI 涉及安全、金钱、隐私或医疗这种非常敏感的领域。成功的 AI Agent 会有“human-in-the-loop”设计，让人可验证、可纠错、可覆盖。 5. 记忆（Memory）不仅是存储，而是架构设计记忆有多个层次：用户层面（偏好、写作风格等），团队层面（常用查询、仪表板、runbooks 等），组织层面（制度性知识、政策、之前的决策等）。最佳团队将记忆抽象为一个上下文层＋行为层，是可版本化、可组合的。不仅仅硬编码在本地存储或应用逻辑里。记忆在个性化上有两个作用：一是根据用户历史来定制行为（风格、格式等），二是基于事件或元数据主动提供帮助，而不仅仅被动响应。但也存在张力：过度个性化可能侵犯隐私；共享记忆可能破坏权限控制。作者提到一个缺失的原语（primitive）：一个安全、便携（portable）的记忆层，跨应用可用，并由用户掌控，而非被 vendor 锁定。 6. 多模型推理与编排（Multi-Model Inference & Orchestration Patterns）在生产中，不是所有任务都调用 GPT-4 或一个大 model。团队会根据任务复杂性、延迟要求（latency）、成本敏感性、数据局部性／法规要求、查询类型等来做模型路由。例如：简单的查询用本地模型；结构化查询用 DSL → SQL 翻译器；复杂分析调用大型边缘或云端模型；还有 fallback 或冗余机制（判断器 + 回答器）来校验或备份。 7. 什么时候 “聊天界面”（Chat）是合适的界面？并非所有任务都需要以聊天形式交互。文章中提及用户对于某些任务（比如叫车）更倾向于点击界面，不愿意通过对话。聊天界面适合那些能消除学习成本的场景，比如 BI 仪表板／数据分析这种需要技巧的工具，用自然语言可以降低门槛；但获取结果之后，用户通常希望有 GUI 控件来进一步细化和迭代。 8. 目前还缺什么／未来可赢的地方上下文可观测性：哪些输入持续改善输出、哪些上下文导致错误／幻觉，现在很多团队缺乏系统方式来衡量这些。可组合的记忆（composable memory）：记忆是否可以跟随用户，而不是锁在某个应用里；组织／团队／个人状态应有可选层级。这样用户无需在每个新工具里重建上下文；隐私和安全由用户控制。面向领域的 DSLs（Domain-aware DSLs）：很多业务用户的需求是结构化、重复性的，为什么还要一直把自然语言解析成脆弱的 SQL，而不是开发更高层次、安全有约束的领域语言？比如 “Q4 营收” 应该映射到一个被验证的计算，而不只是 raw SQL 生成。延迟感知的用户体验（Latency aware UX）：不同任务有不同的延迟要求。幽默类任务／日常小查询需要快速响应；深度分析／复杂任务可以接受稍长时间，但需要显示进度并让用户觉得系统在“动”。文章提到：AI agent 可以在你开文档时预备相关上下文，或者在你会议前准备摘要等；这种“异步、主动”的体验有潜力。 9. 发展趋势作者认为接下来基础设施层面 (infra tooling)、记忆工具包（memory kits）、编排层（orchestration layers）、上下文可观测性，以及信任 UX 将会是关键。这些东西现在还“杂乱无章、未被解决”，但未来会变得显而易见。 10. 给创始人／构建 AI Agent／系统工程者的五个问题（Five Hard Questions）1. 我的应用的上下文预算是多少？（理想的上下文窗口大小是多少，以及我如何优化哪些内容进入上下文？） 2. 我的记忆边界在哪里？（哪些属于用户层面／团队层面／组织层面？存在哪里？用户能看到吗？） 3. 我能追踪输出的来源吗？（能否调试模型的某个回应，知道是哪些输入导致的？） 4. 我是用一个模型还是多个模型？（我如何根据复杂性、延迟或成本来路由请求？） 5. 如果我的用户把金钱或医疗数据交给这个系统，会信任它吗？（如果不会，安全性或反馈回路中缺了什么？）访问：www.motivenotes.ai/p/what-makes-5-of-ai-agents-actually#人工智能##程序员#

46. 《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

47. llm的本质是知识压缩和检索吗？和外挂知识库的检索比到底强在了什么地方？

48. AI 的本质不是算力，而是「上下文革命」

49. 企业级Agent怎么搭建，腾讯云给出了标准答案

50. 打破瓶颈，让RAG学会思考：中科大、智源等发布推理检索框架BGE-Reasoner

51. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

52. 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！

53. 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？

54. 图解 AI 智能体的上下文工程

55. 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#

56. 《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

57. Andrej Karpathy 的很多看法可以串起来看：1. 现在的 LLM 记忆能力过强；2. 现在的 LLM 吸收了过多知识；3. LLM 的智能是锯齿智能；4. 最终的 AGI 只是一个 10 亿参数量的模型。其实这些看法都跳出了眼前比较具体的前沿算法，从人的角度去看待人工智能应该是什么样的。现在 LLM 的前后训练过程，像一个威力加强版的衡水中学。LLM 像一个读衡水小学，1 年级读完已经可以拿下 10 个博士学位的小学生，记忆极为强大，但心智尚不健全，自我认知也不成熟的小学生。而我们需要的 AGI 是华罗庚说的「先把书读厚，再把书读薄」的学习能力，别再死记硬背，而是通过感知、推理、思辨，当然也有部分记忆，持续迭代的学习能力。

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

59. 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。

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

61. 红熊AI获 5500 万融资：补大模型 “失忆” 短板，AI 记忆科学撑起5亿估值

62. AgentScope x RocketMQ：打造企业级高可靠 A2A 智能体通信基座

63. 什么，端到端已经开始Out了？还真不夸张，在空间理解、思维、沟通&记忆、行为和迭代能力五个维度获得全面进化的理想VLA，已经跟随#理想i8#一起来到大家面前。都说VLA像一个真正的私人司机，它开出来的“黄金右脚”和丝滑绕行能力，让很多真人司机都自叹不如，真实的体验究竟如何？在全国机动车保有量最高的城市成都，“舞台”已经搭好，来看看理想同学的表演。科技的那些事的微博视频抽奖详情

64. OpenAI原生AI浏览器！值得拥有的N个理由～

65. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

66. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

67. 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。

68. 国内外AI大厂重押，初创梭哈，谁能凭「记忆」成为下一个「DeepSeek」？

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

70. 速递｜为AI加上“审计轨迹”：Maisa AI种子轮融2500万美元，解决企业级应用95%失败率痛点

71. EMNLP 2025 | CARE：无需外部工具，让大模型原生检索增强推理实现上下文高保真

72. 「Github一周热点95期」META 3D 模型、智能体记忆引擎、向量数据库、 Web 3D 引擎、AirPods 跨平台、数据库管理工具

73. 「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

74. Agent 真正的护城河，正在从工具转向记忆资产

75. 【当所有人都在堆复杂系统时，Clawdbot用一个Markdown文件解决了AI记忆难题】AI的记忆问题，一直是行业里的老大难。你跟AI聊得正起劲，突然发现它把五分钟前说的话忘得一干二净。这种体验，用过的人都懂。最近Clawdbot的做法让我眼前一亮。它的记忆系统简单到令人发指：没有数据库，没有复杂的架构设计，整套系统就做一件事，写Markdown文件。长期信息沉淀在一个叫MEMORY.md的文件里，每天的对话按顺序追加到对应日期的文件中。就这么简单。这里面有个思路上的反转特别有意思：与其让数据库去支撑AI，不如反过来，让AI自己管理数据库。具体怎么做呢？两个关键动作。第一，AI主动沉淀记忆。在上下文即将被压缩之前，AI会把关键信息写回文件。这就避免了对话一长就失忆的尴尬。第二，轻量级的混合搜索。语义向量负责模糊召回，关键词负责精准命中，再用简单打分做决策。不重，但够用。把市面上的方案放在一起比较就很清楚了。GPT走的是黑盒式记忆，你不知道它记住了什么；Gemini靠超长上下文硬扛，但稍微长一点还是容易丢三落四；而Clawdbot选了第三条路，透明、可编辑、可迁移的文件驱动。当然，这套方案也有人质疑。有人说这不就是RAG吗？有人说数据量大了肯定扛不住。有人说随着对话增长，token消耗会越来越大，得及时整理缩减记忆文件。这些批评都有道理。但我觉得这个方案真正的价值不在于它是不是最优解，而在于它展示了一种设计哲学：在控制复杂性和追求效果之间，找到性价比最高的那个点。有位网友说得好，这很像我们正常人的记忆模式。短期记忆就一两天，越久的东西越记不清楚，真正重要的东西得放在日记里，需要的时候回去查一下才知道。你看，最好的技术方案，往往不是最复杂的那个，而是最符合直觉的那个。x.com/Zesee/status/2016487877639876741

76. 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#

77. 昨天这篇文章提到了强化机制（网页链接），此强化非彼强化，正好详细了解了一下。这里的强化机制并非机器学习领域的强化学习，而是一种为大模型注入额外提示、补全上下文、修正轨迹的工程技巧。它的核心目标是让 Agent 在多步任务中保持方向稳定、决策一致。1. 解决什么问题？当 Agent 需要处理复杂的多步骤任务，模型常常出现以下问题：1）工具报错后无法正确恢复当错误信息过长或过几轮后被遗忘时，模型会继续产生无效输出。2）忘记初始目标在长上下文中，模型会偏向于处理眼前的文本，而不是任务本身。3）被工具输出的噪声误导许多系统的工具输出不够结构化，模型难以正确解析。4）循环行为模型可能重复调用相同工具，或重复生成相同解释。2. 什么是强化机制？为了让 Agent 能够顺畅执行任务，工程实践中逐渐形成了一种关键方法，即“强化机制（reinforcement）”。强化机制通常包含三类信息：1）原始工具输出2）对工具输出的解释、总结或结构化处理3）针对任务目标的提醒、下一步行动建议或错误纠正提示这种方式让模型在下一轮推理时，不仅知道发生了什么，还知道应该如何继续。3 强化机制是如何运作的？为了说明强化机制如何发挥作用，可以将 Agent 的通用循环简化为四个阶段：1）用户或系统提出任务2）模型给出行动（如调用工具或生成内容）3）工具返回结果4）系统将结果整理后重新注入模型，让模型继续强化机制作用在第四阶段，它通过人工设计“强化后的上下文”结构，让模型更理解状态，也更容易走上正确路径。一个典型的强化注入可能包含：1）工具原始输出2）提炼后的关键点3）关于失败原因的简要解释4）明确提示模型下一步应该做什么5）任务目标的提醒4 强化机制的常见形式在实际系统中，强化机制可以通过多种形式实现：1）结果总结将工具输出的关键部分提炼为简短段落，让模型更容易解析。2）错误解释遇到报错时，用自然语言告诉模型：错误原因是什么，应该如何修复。3）结构化状态把工具状态包装成 JSON 或结构化文本，让模型减少解析错误。4）目标重申在任务进行多轮之后，重新提醒模型最终目标是什么。5）自我检查（Self-Check）让模型根据当前状态生成“我下一步应该做什么”的列表，并在下一步回显给自己。6）路径规划在关键步骤加入“你已完成哪些步骤，还剩哪些步骤”的信息。这些设计本质上都是为了让模型更容易维持任务链路。5 如何设计一个高质量强化机制？如果你正在构建自己的 Agent，可以遵循以下设计原则：1）状态必须清晰不让模型自己推理上下文，而是直接告诉它关键点。2）信息必须简短强化信息越长，越容易被淹没在上下文中。3 ）错误必须显式解释模型在理解错误时的鲁棒性很差，需要手工解释。4）目标必须持续提醒尤其是超过三轮的任务，不提醒必偏航。5）工具结果必须被结构化能 JSON 就不要纯文本。通过这些工程技巧，可以显著提升 Agent 的稳定性。#微博兴趣创作计划# #人工智能#

78. 吉利下一代座舱叫做 Agent OS，具备 4 项重要更新点：- 视觉融合感知理解，车外/车内一样有用;- 全局地图柔和了地图以及辅助驾驶；- UI Agent 能力，可以识别记住用户习惯；- 端云一体的融合记忆。更新时间暂未公布，但是座舱的界面、使用体验都会有不小的提升。#42how# #AI重庆智驾之夜##9月28日千里科技品牌发布会##新韵重庆千里智驾#

79. 红熊AI获 5500 万融资：补大模型 “失忆” 短板，AI 记忆科学撑起5亿估值

80. 如何评价DeepSeek最新的「条件记忆」和字节Seed团队「Over-Encoding」之间的关联？

81. NAS一键部署，人人都是AI专家！BuildingAI：企业级智能体平台

82. 腾讯优图重磅开源Youtu-GraphRAG，实现图检索增强技术新突破

83. 雇佣过目即忘的天才：为什么企业级AI总在浪费钱？| 甲子光年

84. 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

85. DeepSeek-OCR一开始以为是又一个普通的OCR模型，认真看了下论文，发现其重点是压缩，可以有助于LLM或者Agent的记忆管理。DeepSeek-AI 团队提出了一种全新的Contexts Optical Compression 方法，核心思想是：利用视觉模态作为一种高效的文本压缩媒介，以图像形式表示长文本，从而大幅减少LLM处理长上下文的计算负担。DeepSeek-OCR 首次验证了将文本信息以视觉形式进行高效压缩与恢复的可行性，在 10× 压缩下仍能近乎无损地还原文本。1. 研究动机当前LLM在处理长文本时面临计算量随序列长度平方增长的问题。论文提出将长文本转化为图像，让视觉模型（VLM）对其进行编码，用较少的视觉 token 表示大量文本信息，实现“以视觉压缩文本”的思路。这种“光学压缩”既能显著减少 token 数量，又可能启发 LLM 的长期记忆与遗忘机制研究。2. 模型架构DeepSeek-OCR 由两部分组成：（1）DeepEncoder：一种新型视觉编码器，结合 SAM-base（局部注意力）与 CLIP-large（全局注意力），中间加入 16× 卷积压缩模块，可在高分辨率下保持低激活内存并显著减少视觉 token。（2）DeepSeek-3B-MoE 解码器：基于 Mixture-of-Experts 架构，推理时仅激活 570M 参数，用于从视觉 latent token 重建原始文本。3. 多分辨率与模式支持DeepEncoder 支持多种输入模式（Tiny、Small、Base、Large、Gundam），对应不同分辨率与视觉 token 数，方便在研究不同压缩率或实际应用时灵活选择。例如 Gundam 模式可解析超高分辨率文档（如报纸），最高支持动态拼图式输入。4. 视觉遗忘机制作者提出“视觉化遗忘机制”假设：可以通过逐步缩小图像分辨率模拟人类记忆衰减过程，实现“信息随时间模糊化”的长期上下文管理。光学上下文压缩或可成为未来 LLM 无限上下文架构的关键方向。项目：github.com/deepseek-ai/DeepSeek-OCR#人工智能##程序员#

86. 《MCP协议与AI Agent开发》007-MCP的基本原理（MCP上下文结构与层级划分）

87. 阿里达摩院开源具身大脑基模RynnBrain 机器人首次拥有时空记忆

88. DeepSeek悄悄地又发布了一份重磅报告。他们提出了 Engram，这是一种将查找表记忆与上下文感知门控融合在一起的记忆技术，并将其添加到他们的模型中。因此，无需强制密集层每次都对事实进行编码和重新计算。在相同的浮点运算次数下，MoE 的容量可以从「存储」转向「推理 + 长上下文」，从而提高知识水平和整体性能

89. 上个月，谷歌悄然发布了五篇关于AI Agent的重磅论文，连续五天每天一篇，深入探讨了Agent的构建、评估、安全和部署等核心问题。没有大张旗鼓，250多页的技术细节静静铺开，值得每个AI从业者认真研读。这五篇论文的核心内容总结如下：1. 什么是Agent？谷歌重新定义了Agent，强调它们能力的演进和为何大多数Agent一离开演示环境就崩盘。现有Agent更像是复杂的工作流和工具编排，而非真正的自主系统。kaggle.com/whitepaper-introduction-to-agents2. 工具和MCP（多能力协议） MCP允许服务器无须用户同意即添加工具，虽然增强了能力，但也带来边界风险。换句话说，Agent仍然无法“感知”世界，只是更有效地调用API。kaggle.com/whitepaper-agent-tools-and-interoperability-with-mcp3. 记忆问题真正的记忆不是简单的上下文窗口、检索增强生成（RAG）或向量存储，而是一个动态、结构化的长期记忆，影响未来推理和行为。谷歌提出了会话拼接和动态上下文窗口，但本质差距依然存在。kaggle.com/whitepaper-context-engineering-sessions-and-memory4. Agent质量评估评价不仅是输出正确与否，更重视Agent的推理过程。论文提出了正确性、鲁棒性、重复性、多步稳定性和幻觉控制等指标，揭示当前架构在这些方面的脆弱。kaggle.com/whitepaper-agent-quality5. 从原型到生产构建Agent简单，信任它完成真实任务困难。论文详细说明了沙盒环境、安全护栏、评估循环和人工干预机制，反映出系统的不确定性和脆弱，需要大量安全网。kaggle.com/whitepaper-prototype-to-production深度思考：谷歌的努力展现了巨大的工程投入，但他们依然被“语言模型物理学”所限制。试图通过不断修补LLM来实现真正的Agent，是在用“token机”伪装认知。真正的自治智能需要内在的组织、自我预测、力量感知和发展结构，而这些是现有LLM架构根本不具备的。这五篇论文不仅是技术文档，更是行业缺失的蓝图。它们提醒我们，构建Agent不仅是搭建工具链，更是要建立能够自我调整、自我稳定的认知架构。谷歌在工程上走得很远，但未来的Agent革命还在于基础架构的重塑。x.com/techNmak/status

90. 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#

91. 中国AI“三杰”密集升级，原生Agent能力再获突破 1月26日至27日，阿里通义千问、月之暗面Kimi、DeepSeek三大头部玩家接连推出重磅模型更新，集体强化原生智能体（Agent）与多模态能力，被视为国产大模型从“会聊天”向“真办事”加速跃迁的标志性事件。阿里云于1月26日正式发布千问旗舰推理模型Qwen3-Max-Thinking。该模型总参数量超万亿（1T），预训练数据量高达36T Tokens，创下阿里单次迭代纪录。核心亮点在于原生Agent能力大幅增强，支持自主调用工具、拆解复杂任务，并在HLE等基准测试中刷新多项SOTA（State-of-the-Art）纪录。开发者可在QwenChat免费体验，企业通过阿里云百炼平台调用API，千问APP即将全面接入。次日（1月27日），月之暗面静默推送Kimi K2.5开源模型。该模型采用原生多模态架构（支持图文视频输入），参数规模达万亿级MoE（混合专家），激活参数320亿。在Agent任务、代码生成、多模态处理等领域表现突出，最重磅创新是引入“Agent集群”机制：面对复杂需求，主模型可即时调度数十至上百个专业“分身”，并行处理高达1500次工具调用，实现“一人成军”的高效协作。该功能上线24小时内登顶全球多个开源榜单，海外讨论量超1.7万，热度超越OpenAI近期工具发布。同日，DeepSeek团队开源DeepSeek-OCR 2模型。该模型采用创新DeepEncoder V2视觉编码技术，更接近人类阅读逻辑，能动态重排图像部分，提升对复杂版式文档、表格、公式等的理解精度，显著补强Agent在真实业务文档处理中的“眼睛”短板，支持更可靠的端到端自动化。业内观点认为，此轮“三杰”更新虽发布时间略有先后，但整体形成“饱和式”爆发效应，凸显中国AI竞争已从参数规模转向“办事效率”和“工具调用”实战。开源生态加速渗透，国产模型在Hugging Face下载量持续领跑全球。展望2026年，随着记忆机制、多智能体协作等技术迭代，中国AI Agent有望在电商、办公、医疗等真实场景大规模落地。专家强调，技术虽迅猛，但胜负关键在于谁能更快将能力转化为千行百业的实际价值，让“AI办事”成为日常常态。

92. 2025年中国企业级AI应用行业研究报告

93. 【AI前沿】IBM Granite 4.0：超高效、高性能的企业级混合架构大模型

94. AI瑶有料｜OpenAI 发布 GPT-5-Codex-Mini，并上线「群聊」功能

95. 高盛：中国AI基础设施叙事重燃，企业级大模型Token消耗量暴涨，阿里是核心受益者

96. 苹果眼镜曝光，兼容iPhone、Mac双系统/小米第三款车谍照流出，或是YU9/曝豆包、Qwen内测记忆功能，对标ChatGPT

97. 公网 IP 不足！ZeroNews 个人也能用的企业级内网穿透方案

98. 速递｜英伟达持续加注估值冲刺70亿美元：Cohere最新融资5亿美元，企业级AI赛道挑战OpenAI

99. AI Agent 类人记忆系统

100. AI智能体类人记忆系统架构设计指南

101. 别再让Agent失忆了！三层记忆架构设计，让AI真正持续学习！收藏这一篇就够了！！

102. AI Agent记忆系统

103. AI Agent记忆系统完全拆解!

104. AI Agents时代记忆系统的深度剖析

105. 一文讲透Agent三大核心能力

106. 芝大团队提出「Agent认知压缩器」ACC

107. Agent如何联动短期记忆和长期记忆？

108. AI Agent 记忆系统设计

109. 从人类记忆到AI记忆

110. 记忆智能体工程实践（五）

111. 上下文不等于记忆

112. AI Agent 记忆系统怎么设计？面试官最爱问的实现细节

113. 记忆，是 Agent 从 Demo 走向产品的分水岭

114. 🚨重磅综述！AI Agent记忆机制最全解读

115. 构建有记忆的 AI Agent

116. Agent memory 来打造钢铁侠管家“贾维斯”

117. 亚马逊云科技助力AI自建记忆模块，Agent构建秘籍第三章！

118. 字节一面

119. 大模型Agent记忆架构

120. 用最纯粹的白话，解析 AI Memory

121. [论文速记] Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory

122. Mem0

123. 四大评估集均位列第一，MemOS 是如何定义 AI 时代的新基建

124. 《企业级AI Agent（智能体）价值及应用报告》的总结

125. 纯享笔记

126. 为什么你的AI Agent做不好多轮对话？OceanBase 记忆体方案

127. 报告（附下载）|《2025年中国企业级AI Agent应用实践研究报告》

128. 告别拼凑

129. Agent记忆 vs RAG

130. 颠覆Agent记忆范式！MemGen让自进化Agent实时“调记忆”

131. 从外部检索到内置记忆

132. 2025年Memory最全综述！AI Agent记忆统一分类体系

133. ChatGPT VS Claude ，Agent记忆用对话压缩还是RAG按需检索

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

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

136. 打造真正AI Agent的三大利器

137. AI Agent 记忆系统:从短期到长期的技术架构与实践

138. AI Agent,为何成为AIGC秘密武器?

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

140. 探索Agent的记忆机制:从单Agent到Multi-Agent的深度解析

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

142. 最火、最全的Agent记忆综述,NUS、人大、复旦、北大等联合出品

143. 一文读懂AI大模型中的Agent技术

144. 技术周报第九期：OpenAI与Claude记忆系统：有用，但远未满足用户期望

145. 从"健忘症"到"过目不忘"：Claude记忆系统如何打破AI对话的时空限制

146. GitHub热门榜：7大AI Agent记忆管理开源项目全对比 🧠

147. 广发电子 | AI的Memory时刻3：AI agent对CPU需求增加

148. Claude 记忆大升级 Pro/Max 全员开通，AI 助手的“长期关系”要变了

149. 2025企业级AI Agent价值及应用报告

150. 上交具身导航梦回往昔！Memoir：基于想象引导的经验检索助力记忆持久视觉语言导航

151. 开源SQL内存引擎：让LLM拥有永久记忆，成本直降90%！

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

153. Mem0 记忆架构解析：构建具有可扩展长期记忆的生产级AI Agent

154. 阿里云AI Agent记忆存储功能正式推出！

155. 深入理解AI Agent记忆模块：短期记忆与长期记忆的完美结合

156. Claude 的记忆：一种不同的哲学 —— Claude 记忆如何运作，它与 ChatGPT 有何不同，以及这些方法揭示了什么。

157. 【精选报告】：‌2025 年 AI Agent 行业价值及应用分析报告（文末附PDF免费下载)

158. 省八成成本！Memori：LLM持久记忆引擎，SQL原生一行集成

159. Claude 重磅更新！记忆功能+隐身模式上线，网友：终于不用当"复读机"了

160. ✅B端市场｜2025企业级AIAgent应用实践研究

161. 2025年中国企业级AI Agent应用实践研究报告（附下载）

162. 迈向人类般的 AI Agent 记忆

163. Agent的记忆机制如何设计

164. AI记忆神器：MLP Memory，快80倍还更聪明！

165. 通过稀疏记忆层微调实现持续学习

166. OpenAI新功能上线 ChatGPT记忆自动管理

167. 通用智能体记忆框架

168. 智能体（Agent）的记忆架构：深入解析短期记忆与长期记忆

169. MemInsight 结构化记忆+双模检索的记忆思路

170. 1.22-5|AI智能体（Agent）效率与检索：高效智能体综述，记忆、工具学习、规划；智能体多轮动态决策与检索能力训练框架

171. 超越OpenAI全局记忆，中国队开源LLM记忆操作系统

172. AI agent 的“长期记忆”逐渐变成一个待解决非常核心的问题

173. 聊下 AI Agent 的上下文记忆和遗忘

174. AI Agent 平台调研与技术分析

175. ChatGPT告别“金鱼脑”：OpenAI记忆自动管理功能，AI进入时代

176. Anthropic 推出 Claude AI 新功能：自动记忆聊天内容，团队协作更高效

177. 一文看懂智能体的四种记忆类型

178. 大厂AI产品面试必背！Agent搭建和记忆系统

179. MemR3：利用反思推理解决Agent记忆最后一公里难题

180. 帮助大模型自主“思考”的关键：智能体Agent的记忆

181. Memori：告别遗忘，LLM 长期记忆管理

182. Claude 记忆系统：与ChatGPT不同的理念

183. AI终于有记忆了！Mem0让ChatGPT不再失忆

184. MemSearcher：高效Agent记忆新范式

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

186. MemRL——一种冻结LLM，通过运行时强化学习进行agent记忆检索和记忆更新的范式

187. Anthropic为Claude Pro/Max用户推出记忆功能，实现个性化与安全双提升

188. 大模型内存优化神器LightMem来了

189. cognee：当前效果最好的AI Agent记忆层(vs LightRAG/Mem0/Graphiti)

190. .NET+AI | Agent | Agent 记忆线程（2）

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

192. 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。

193. Claude新增AI记忆功能，付费用户先享“私人助理”体验

194. Anthropic上线全新的Claude“记忆”功能

195. 从工具到管家：AI复杂系统构建指南，解锁自动化生产力

196. Anthropic重磅升级Claude，引入“永久记忆”知识 Anthropic重磅升级Claude，引入“永久记忆”知识库，AI办公协作迈向新阶段\n据多家科技媒体及爆料人消息，人工智能公司Anthropic正为其AI助手Claude进行一系列重大升级，核心是赋予Claude“永久记忆”能力。此次升级主要围绕即将成为主模式的“Claude Cowork”协作平台展开。\n核心升级包括：\n知识库（永久记忆）： Claude将可通过“知识库”功能持久化存储和主动检索用户提供的特定背景信息、偏好与决策记录。这意味着Claude能在长期协作中“记住”关键信息，减少重复沟通，实现“越用越懂你”。\nCowork模式成为默认：传统的聊天模式将整合进全新的“Claude Cowork”界面中。该模式旨在成为一个集聊天、文件处理、自动化任务和成果管理于一体的AI工作台，强调工作流协作而非单纯问答。\n界面与功能优化：用户界面将进行调整，右侧增设“Artefacts”侧边栏，用于持续管理和复用生成的内容。同时，自动化连接器体系将增强，有望更灵活地调用外部工具。语音模式和图像生成功能也将得到升级。\n行业观察指出，此举旨在将Claude从临时性的对话助手，转变为能够长期陪伴、具备上下文记忆的“AI同事”。这反映了AI行业的一个共同趋势：解决模型的“持续学习”和记忆问题被认为是迈向更智能、个性化助手的关键一步。如果这些升级顺利落地，AI生产力工具的竞争可能进入以长期记忆和深度工作流集成为特征的新阶段。\nhttps://x.com/testingcatalog/status/2012891786226626919\nhttps://www.testingcatalog.com/anthropic-works-on-knowledge-bases-for-claude-cowork/

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

198. 经验记忆黑科技：LightSearcher让AI工具调用减39.6%、推理快48.6%

199. Agent记忆新突破：动态记忆ReMe

200. Agent开发学习：如何增强其记忆能力

201. 智能体记忆，Agent的下一个infra市场

202. AI Infra：大模型不思考，上下文替它思考

203. ChatGPT不再“记忆满”：OpenAI上线自动记忆管理功能

204. Agent记忆机制：从短期到长期的智能演进

205. 2ms检索！本地AI记忆方案 - MemLayer实测

206. Agent篇（八）：Agent记忆与检索

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！

**2025下半年AI Agent集体落地：记忆系统成标配，任务成功率提升30–50%，Token消耗降低60–90%**

精选参考来源

2025下半年AI Agent集体落地：记忆系统成标配，任务成功率提升30–50%，Token消耗降低60–90%