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

张大妈

换更贵模型为何救不了“健忘”的Agent？

源自163位全网作者

06-06 19:20

精选参考来源

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

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

全部
来源

内容由AI生成

1. 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

2. 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

3. 脚本常常会被 agent读取全文[doge]//@宝玉xp:回复@汉堡汉堡憨包:token消耗和上下文占用，MCP占用上下文窗口很厉害//@汉堡汉堡憨包:感谢宝玉老师分享，有一点想请教，脚本优先于mcp是出于什么考量呢？//@宝玉xp:回复@Tmp_情绪疯子:中间结果也保存下来，比如写作过程中产生的分析报告、提纲、初稿等等//@Tmp_情绪疯子:老师，多存中间文件，具体指的是什么。

4. 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

5. 为什么大模型不设计成带有记忆的？

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

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

8. 【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#

9. 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#

10. 《扣子开发 AI Agent 智能体应用》013-基于大模型的企业知识库（企业知识库必要性）

11. AI Agent 的工作原理和架构是什么？

12. Clawdbot 如何搭建永久记忆管理系统：全靠 MD 文档

13. Clawdbot 如何记住一切 / 解析🦞的记忆系统

14. 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

15. 利用300个Agent！从零开始搭建独属于你的AI公司/团队

16. Effective Agent Design概述了高效AI智能体（Agent）设计的核心原则，强调上下文管理是提升自主性的关键挑战。1. 现代智能体正趋向于采用类Unix架构，通过赋予模型访问文件系统与命令行（CLI）的权限，来扩展其行动空间并减少对模型内置窗口的依赖。2. 详细讨论了上下文工程的多样化策略，包括利用渐进式披露来优化工具调用、通过缓存技术降低成本，以及利用子代理隔离来处理复杂任务。3. 文章预判了持续学习与自我进化的趋势，即智能体能反思过去经验以更新记忆或技能。4. 展望了多智能体协作与长期运行任务的基础设施建设将成为未来的重要演进方向。访问：x.com/RLanceMartin/status/2009683038272401719#ai创造营# #程序员#

17. 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。

18. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

19. 如何为智能体推理引入外部决策步骤

20. Boris（Claude Code 创始人）解释为什么 Claude Code 不用 RAG 向量检索代码：在开发 Claude Code 的早期版本时，我们曾尝试过 RAG 搭配本地向量数据库的方案。但很快我们就发现，Agent 使用关键字搜索在实际应用中的表现通常要出色得多。这种方案不仅实现起来更加简洁，而且还完美避开了 RAG 模式下那些令人头疼的“老毛病”：比如数据安全性、隐私泄露风险、信息滞后以及系统可靠性等问题。

21. [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。

22. 给 OpenClaw 加上企业级 Memory，你的 Agent 终于不用再问第二遍

23. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

24. 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#

25. 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

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

27. 看到很多朋友问过一个问题，为什么给我的 Claude Code 安排任务，它都不会一口气执行完，而是跑最多几十分钟就停下来，然后问我要不要继续。例如让它把项目中的单测全部补全（大概 1k 个），它跑了大概 200 个就停下来了。cc 并不是对一句话任务抗拒，如果不理解它的执行机制，很难设计出能跑长程任务的 harness 流程。在执行一个超大任务的时候，单 agent 的执行流程大概是这样的：1）刚开始是高效模式，指令遵循效果特别棒；2）跑了大概 80k tokens 的时候，context 开始逼近 compact 阈值；3）紧接着，对话历史被压缩为摘要，模型开始忘记刚才修复单测的细节；4）再经过一两轮 auto-compact，它甚至会开始重复检查已修复的测试，当触发 maxTurns 并且 response 没有 ToolUse 指令时，模型会退出任务，然后开始询问用户："我已经修复了约 200 个测试，要继续吗？"如果你在当前 session，回复继续，接下来的工作，它会做的更加不符合预期，并且退出得更快。任何试图在一个 agent session 内完成海量工作的方案，最终都会碰到 context 膨胀 → compact → 信息丢失 → 效率下降的问题。其实优化方向也特别简单，设计一个主-子 Agent 的运行模式（任务调度器），同时将任务进度写到 file system 中（进度持久化），每个子 agent 有独立 context、独立退出逻辑，主 agent 只负责调度和进度追踪，从而绕过单一 agent 的所有瓶颈。因此给 cc 的指令需要包含至少这三部分：1）任务分解。不要给一个无边界的指令（如修复所有单测），而是先扫描出所有失败测试，按目录或模块分组，每组 15-30 个，作为一个独立子任务。关键是每个子任务的 prompt 必须自包含——写清楚文件路径、错误现象、期望行为，不能写"根据之前的分析来修复"，因为子 agent 看不到父 agent 的历史。2）进度持久化。在项目根目录维护一个 progress.json，记录 completed / failed / pending 三个列表。主 agent 每轮调度前读这个文件决定下一批任务，子 agent 完成后更新对应条目。这样即使主 agent 自己被 compact，重读文件就能恢复全部状态。3）失败策略。子 agent 报错时，如果错误可修复，用 SendMessage 继续同一个子 agent（保留错误上下文更高效）；如果方向完全错了，启动新的子 agent 避免锚定在错误路径上；多次失败则上报用户，不要无限重试烧 token。Claude Code 其实已经内建了这套能力。最直接的方式是启用 Coordinator Mode（输入 /coordinator），主 agent 自动变成纯调度者：它不执行任何实际工具调用，只负责理解子 agent 的返回结果、合成下一步的具体指令、并行派发独立任务；而每个子 agent 会通过 AgentTool 启动，它们有独立 context。记住一句话就行了：设计多个 agents，各司其职、快进快出，把进度交给文件系统来记忆。

28. Agent 真正的护城河，正在从工具转向记忆资产

29. 能否使用RAG技术来解决大模型的长期记忆问题？

30. 明明刚说过，扭头就忘记？OpenClaw记忆系统到底如何配置？

31. Claude更新记忆功能，一分钟迁移所有上下文

32. 告别KV Cache枷锁，将长上下文压入权重，持续学习大模型有希望了？

33. 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

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

35. 从RAG到记忆工程：AI长期记忆系统的架构范式与落地瓶颈

36. 如何评价Karpathy提出的个人知识库的架构？

37. 看看 Claude Code 怎么做 Harness，这才是 Agent 工程化的真正难点

38. 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#

39. 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

40. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

41. 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。

42. LLM 的记忆问题「很快」就不再是问题了？

43. 有网友问，现在存储这么缺，闪迪，美光三星海力士这么火，深层次是什么原因？答：需求侧：首先是模型本身参数量持续膨胀，为了内化更多的数据，追求更好的全方位的效果，推高hbm需求；另一方面和大模型的上下文窗口越来越大有直接关系，kv cache提高，推高hbm的需求；另一方面个人信息的存储，比如这几天claude都开始跨会话的记忆系统，这需要大量的记忆单元存储一些用户此前提问和回答的关键信息，推高nand的需求。供给侧：这些存储大厂来不及生产，扩产需要时间。其次大厂为了锁住存储产能，下了巨额订单，进入胆小鬼游戏，自然推高想象力。。以上是我的理解，不一定对。

44. 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？

45. 在研究编程Agent，Agent核心就几十行代码，那剩下的几万行到底在解决什么问题？

46. 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#

47. 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？

48. Agent 记忆不该只测“记住没”

49. Agent 下一战，为什么会卡在“记忆”这一步？

50. MEMTIER

51. Agent 没记忆？那不叫 AI，只是高级复读机

52. 面试必考！AI Agent记忆系统终极指南

53. Agent 记忆技术详解（一）

54. Harness Memory

55. Agent 每天失忆这事，终于有人正面解决了

56. AI Agent 终于有记忆了！Cloudflare Agent Memory 深度解读

57. 记住 ≠ 学习

58. 让 Agent 拥有超强记忆，TencentDB Agent Memory 开源了！

59. agentmemory

60. Agent记忆持久化

61. Anthropic 解法

62. agentmemory

63. AI Agent系列课程-第3篇

64. 多 Agent 持久记忆的系统性设计

65. 别再把 Agent 记忆当黑盒

66. 没有记忆，Agent永远只是临时工

67. Agent设计模式浅析系列(13)

68. 大模型没有记忆，Agent不是革命

69. 大模型失忆怎么解决？

70. 当AI Agent学会自律

71. 换了3个大模型跑Agent，我记录下了真实的上手体验

72. 小红书大模型二面

73. 大模型Agent也会“记仇”？不对，是不会更新过期记忆！这个新Benchmark戳穿了当前长记忆的通病【LLM Agent】【大语言模型】

74. 大模型智能体（AI Agent）记忆管理系统深度综述

75. 别再盲目套用缓冲记忆了！你的 LLM 应用该用哪种记忆模式？ - 哔哩哔哩

76. ByteRover Context Tree

77. Agentic Memory

78. 给AI装上轻量级记忆

79. ICLR 2026 | LightMem

80. Hermes （Openclaw）实践MemOS — 记忆工程的幻觉与LLM Wiki升级实践

81. 北大团队

82. hy-memory

83. Karpathy LLM Wiki + Context + Memory 重构企业级的组织记忆

84. NeurIPS 2025 | A-MEM

85. 为什么你的 AI 什么都记不住？

86. AI论文

87. 从模型扩展到系统扩展

88. 论文解读

89. Agent Memory 第一性原理

90. AI Agent的记忆困局

91. 大模型终将沦为 CPU

92. 最好的agent记忆系统科普，是电影《记忆碎片》

93. 面试高频题

94. 上下文滑窗”与“向量检索重组”两种记忆路径，分别更适合怎样的任务与人机关系？

95. 什么是上下文窗口？有什么限制？

96. 大模型长记忆的三个误区

97. Part 23

98. 长上下文不是长期记忆

99. 摊销上下文

100. Long Context 长上下文

101. 面经分享｜关于Context，Agent Memory和RAG

102. AI Agent与上下文工程（四）: Agentic Context Engineering

103. AgentScope AutoContextMemory

104. 告别传统微调！Context Engineering打造强大AI Agent！

105. OpenClaw Context Engine 深度解析

106. 当下10种主流LLM Agent Memory方案统一分析对比

107. 斯坦福&SambaNova联手发布ACE框架

108. 别让 AI 变“鱼的记忆”！伯衡君实测这个项目让 AI Agent 真正拥有长期记忆

109. 打造稳定 AI Agent 的核心方法论part2

110. 买AI Agent平台前,这12个问题没问清楚别签字

111. 在多轮、跨会话的 Agent 场景中，是持续塞入完整历史上下文，还是先抽取结构化记忆再按需召回

112. 构建永不遗忘的 Agent：从第一性原理理解 Agent 记忆系统

113. LLM Wiki：让AI拥有“终身记忆”的超级知识库

114. 颠覆传统静态用户画像！Meta提出个性化AI Agent架构

115. TencentDB Agent Memory 架构拆解：告别 Agent 失忆，构建四层可追溯记忆与上下文治理系统

116. 你的AI Agent为什么总是"过目就忘"？三层记忆系统这样设计才靠谱

117. 持续运行8小时后，我的Agent终于疯了

118. 记忆即算力？阿里ReMe揭秘动态记忆进化论！

119. [译] 如何构建永不遗忘的 AI 智能体：从 Python 列表到知识图谱

120. 【论文分享】ReMe：迈向自主进化的记忆系统

121. AI智能体终于学会"吃一堑长一智"了

122. 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

123. 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

124. LLM 到底是怎么“记住东西”的？它的记忆分三层：参数、上下文、外部存储

125. Agent记忆存储系统之一二

126. Agent的“记忆”到底怎么来？

127. AI Agent记忆系统详解

128. Agent 的持久记忆层：当 LLM 不再"每次从零开始"

129. GitHub 58k Star! agentmemory：给 AI Agent 装上持久记忆引擎, 零外部依赖!

130. MemFactory：Agent 记忆终于有了自己的 LLaMA-Factory - 哔哩哔哩

131. AI Agent最大痛点：它总是"转头就忘"

132. RAG 不只是“向量库 + 大模型”：从普通 RAG 到 GraphRAG、LightRAG、HybridRAG

133. Agent的“记忆”是什么？一篇看懂核心逻辑

134. 你的AI Agent记不住你的操作习惯？UC Berkeley给AI Agent的记忆能力出了套考试题

135. DeepSeek发布Engram模型让AI拥有\

136. 基于多轮对话和session依赖的agent记忆评估

137. Agent Memory越多越蠢：遗忘工程三机制拆解

138. 大模型Agent的记忆，远不止“记性好”那么简单

139. 上下文窗口：AI能记住多长的对话？ - AI小知识

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

141. HelloAgent(二): agent智能体是如何"记住"你的？聊聊agent的记忆机制

142. 8600+星，这个开源项目让AI编程Agent拥有了持久记忆

143. 又踩坑！OpenClaw 频繁 LLM 超时？竟是 “记忆 + 心跳” 5 分钟同步搞鬼

144. 为什么 AI 聊久了会失忆？上下文窗口的真相

145. AI Agent 记忆详解：从入门到精通（三难度级别）

146. 2026企业级智能体架构：记忆、RAG与任务规划如何协同落地

147. 从“记住”到“会进化”：我们把Agent记忆做成学习系统，拿下83分SOTA

148. 让 Coding Agent 记得住：agentmemory 的长期记忆系统拆解

149. Memori：告别遗忘，LLM 长期记忆管理

150. 全解析 Hermes Agent：持久记忆、技能自研、模型无关开源 Agent 框架

151. Talk预告 | 伊利诺伊大学香槟分校蒋积泽：PlugMem-为LLM Agent 提供即插即用的长期记忆

152. Agent Memory 评估机制研究整理

153. 帮助大模型自主“思考”的关键：智能体Agent的记忆

154. LLM 长期记忆与跨 Session 记忆方案全景

155. Agent Memory新范式！智能体记忆SOTA思路📌

156. 前沿追踪2026 参考人脑中不同记忆系统的分工，把智能体记忆拆成多个功能模块

157. AI Agent记忆技术如何重塑烟草智能制造（五）——AI Agent记忆技术实现路径

158. Agent长期记忆如何选？阿里云选型指南

159. 智能体记忆相关论文：A-Mem: Agentic Memory for LLM Agents

160. 腾讯开源 Agent Memory：Token 消耗降 61%，Agent 的”记忆难题”有解了？

161. 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

162. DNA Memory v3.0：让 AI 记忆像生物一样进化

163. 深度解析：AI Agent运行全流程，从用户提问到结果返回的20步拆解