2025-2026年主流AI记忆机制集中上线，技术落地与安全风险并存_服务软件

1. Agent 真正的护城河，正在从工具转向记忆资产

2. Claude Cowork把华尔街砸懵了！一天内市值蒸发超两万亿，原来不是软件不行了，是AI开始替人干活了。#大咖观察 #红衣聊AI #华尔街 #ClaudeCowork#智能体

3. 史上最高端智能表，华为WATCH Ultimate 2非凡探索版今天正式登场了首发了腕上智能体功能，有小艺、小艺运动健康，而且还接入了DeepSeek大模型，既能记录身体数据，也有情绪价值，心动了#华为手表首发腕上鸿蒙智能体#

4. 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

5. LangSmith 如何构建 Agent Builder 的记忆系统

6. AI 是否能成为我们的「赛博大脑」，在记忆存储、信息处理与隐私伦理的边界中，我们准备好了吗？

7. 【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

8. 国产版 LookiL1 把人类记忆「外包」给 AI，将如何影响我们的生活主导权？实际使用体验如何？

9. 未来的人和智能体应该是相互融合协作的关系。 #大咖观察 #红衣聊AI #智能体 #人机协作

10. 一位网友逆向破解了 ChatGPT 记忆系统，给我干破防了

11. Google又发布了一篇可能改变AI未来的论文，这次它教AI拥有了记忆。

12. 《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

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

14. AI应该像个会成长的伙伴，而不是只会复述的机器。 #大咖观察 #红衣聊AI #智能体

15. DeepSeek新模型爆火，硅谷玩疯了 #DeepSeek团队开源新模型 DeepSeek新模型爆火，硅谷玩疯了！把文字变成图像，让AI一目十行读完一本书！这次，它真的在教AI们，怎么省算力、怎么学会“遗忘” #AI #DeepSeek

16. OpenClaw狂揽16万star，是时候聊聊Agent Tools的AB面了

17. 「WHYLAB」闪念胶囊回归？全品牌 AI 记忆功能横评：华为、小米、OPPO、vivo、荣耀，谁是「赛博脑白金」？华米 OV 耀五大国产品牌的系统这两年纷纷上线了「AI 记忆」的功能，堪称「AI 时代的闪念胶囊」，有的厂商还玩出了花，#有点东西#。如果你也在用这类「AI 记忆」功能，那这期视频会让你了解到不同厂商的「参差」。要是你没用过这类功能，也没关系，看完这期视频，你一定也想要试试。 WHYLAB的微博视频

18. 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

19. Weaviate的免费电子书：《上下文工程（Context Engineering）》你是否也遇到过这样的问题？用强大的大语言模型（LLM）做应用时，模型能写能总结能推理，但面对你的专属数据却无能为力，甚至自信地“胡编乱造”。问题不在模型智能，而是它被“孤立”了——没有访问你的私有文档，没有实时信息，没有记忆。这正是“上下文工程”（Context Engineering）的核心挑战：设计系统，让模型在合适的时间获得正确的信息，连接外部知识库和工具，赋予它记忆，帮它在真实世界中可靠工作。这本电子书详细讲述了如何打造这样的系统：1. 智能代理（Agents）：它们不再盲目执行固定流程，而是动态判断、选择工具、调整策略，甚至修正错误，像个有头脑的“指挥官”。2. 上下文窗口的限制与管理：模型的工作记忆有限，不能简单扩容。要懂得剔除无关信息、压缩摘要、防止信息冲突和错误积累，才能保持“思路清晰”。3. 查询增强（Query Augmentation）：通过重写、扩展、拆解查询，提升检索准确度，让模型更懂你的问题。4. 文档切片（Chunking）策略：如何拆解文档成既精确又完整的小块，是检索表现好坏的关键。预切片和后切片各有利弊，复杂文档更需要层级和语义切片。5. 记忆管理：短期记忆为即时推理服务，长期记忆保存事实和经验。高效的记忆管理防止信息污染，支持多层次记忆结构，提升连贯性和智能度。6. 工具集成（Tools）：模型借助外部API和功能调用，才真正能够“动手”解决问题。精确的工具描述和合理的调用逻辑，是提升系统可靠性的秘诀。7. 编排挑战（Orchestration）：让代理知道何时用什么工具、如何构造参数、如何根据结果调整策略，形成“思考-行动-观察”的闭环。8. 未来趋势：Anthropic提出的“模型上下文协议”（Model Context Protocol，MCP）将实现AI应用与工具的标准化连接，告别碎片化集成，迈向模块化、组合式AI系统。总结来说，打造智能AI应用的关键不再是更大更复杂的模型，而是更精妙的上下文系统设计。上下文工程让我们从“给模型写提示词”升级为“构建模型的世界”。掌握代理、查询增强、检索、记忆和工具的协同，才能让AI真正“活”起来。🔗 weaviate.io/ebooks/the-context-engineering-guide这就是我们，构建未来AI的工程师，正在重新定义智能的边界。你准备好了吗？

20. 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/

21. • 模型上下文长度扩大 3 倍，提升长周期规划能力（可被“记住”的历史信息扩大了三倍，在时序上有更长时间周期的规划能力，对开好车很有帮助，比如说，一个行人被侧前车阻挡，他并没有消失，只是被遮挡了。如果没有长时序的“记忆能力”，系统是理解不到这一层的）@july再发呆 #微博新知#

22. AI的安全从来不是加个补丁的事。而是要把安全基因嵌进模型的每一步。#大咖观察 #红衣聊AI #网络安全

23. 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

24. 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。

25. 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#

26. 未来智能体不能把它看成软件，它可以把大模型的专业能力提炼出来 #大咖观察 #红衣聊AI

27. 这篇斯坦福大学的论文直接让我大脑宕机了。他们构建了一个AI智能体框架，从零数据起步——无人工标注、无精心设计的任务、无演示样本，却在性能上超越了所有现有自博弈方法。它名为Agent0：通过工具集成推理实现从零数据释放自进化智能体（Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning）。他们达成的成果简直匪夷所思。迄今为止，你见过的所有“自我提升”智能体都存在同一个致命缺陷：它们只能生成比现有能力稍难一点的任务。因此，它们会立刻陷入瓶颈。而Agent0打破了这层天花板。事情出现了转折：研究人员从同一个基础大语言模型（LLM）中生成两个智能体，让它们相互对抗。1）课程智能体（Curriculum Agent）：持续生成难度递增的任务2）执行智能体（Executor Agent）：借助推理+工具尝试解决这些任务每当执行智能体能力提升，课程智能体就被迫提高任务难度；每当任务难度升级，执行智能体就被迫进化迭代。这形成了一个闭环的、自我强化的课程螺旋，且全程从零开始——无数据、无人工干预、无任何外部输入。仅凭两个智能体相互推动，共同迈向更高阶的智能水平。更厉害的是他们加入的“制胜法宝”：在循环中嵌入完整的Python工具解释器。执行智能体学会用代码推理解决问题；课程智能体学会设计需要工具辅助才能完成的任务。于是两个智能体持续升级迭代。最终结果？ → 数学推理能力提升18%→ 通用推理能力提升24%→ 性能超越R-Zero、SPIRAL、Absolute Zero，甚至击败了采用外部专有API的框架→ 全程零数据支撑，仅依靠自进化循环实现研究人员还展示了任务难度随迭代次数上升的曲线：任务从基础几何题起步，最终升级为约束满足问题、组合数学题、逻辑谜题以及多步骤工具依赖型问题。这是我们目前见过的最接近大语言模型自主认知成长的成果。 Agent0不仅仅是“更优秀的强化学习（RL）”。它为智能体搭建了自我引导智能提升的蓝图。智能体时代就此开启#ai创造营##ai生活指南##科技先锋官#

28. AI可能发现相对论吗？ #大咖观察 #鄂伦春 #智能体 #红衣聊AI

29. OpenClaw(Clawdbot) 架构解析：个人AI智能体的核心引擎（everyone talks about Clawdbot, but here's how it works）1. 摘要OpenClaw 是一个个人AI智能体，其核心是一个在本地计算机上运行的 Typescript 命令行界面（CLI）应用程序，而非传统的Web应用。它的架构旨在实现高可靠性和强大的本地计算机集成能力。其设计的关键亮点在于采用了基于通道的命令队列，默认执行串行操作，从而有效避免了并发处理中常见的“异步/await意大利面代码”和竞态条件问题。这种“默认串行，显式并行”的理念显著提升了系统的稳定性和可调试性。OpenClaw的内存系统设计出奇地简洁而高效，它结合了用于存储会话记录的.jsonl文件和用于长期记忆的Markdown文件。代理通过标准的“写入文件”工具直接与Markdown记忆文件交互。其检索机制采用向量搜索（用于语义匹配）和关键字搜索（用于精确匹配）的混合模式，确保了信息检索的全面性。该智能体最核心的“护城河”在于其深度计算机集成能力，通过工具集赋予了代理执行shell命令、操作文件系统、管理后台进程以及控制浏览器的能力。在浏览器交互方面，OpenClaw创新性地使用“语义快照”（基于页面的可访问性树生成的文本表示）代替传统的屏幕截图，极大地减小了数据体积（从MB级降至KB级）并显著降低了LLM的Token成本。为确保安全，OpenClaw实施了一套以用户授权为核心的安全机制，包括一个命令许可名单和对危险shell构造的默认阻止，旨在实现用户允许范围内的最大自主性。2. 核心架构与技术栈OpenClaw的本质是一个Typescript CLI应用程序。它并非一个Python或Next.js驱动的Web应用。作为一个本地进程，其核心职能包括：- 本地运行：在用户的计算机上作为独立进程运行。- 暴露网关服务器：处理来自Telegram、WhatsApp、Slack等不同渠道的连接。- 调用LLM API：与Anthropic、OpenAI或本地模型等多种大型语言模型进行交互。- 本地执行工具：在用户的计算机上直接运行工具和命令。- 实现用户指令：在用户计算机上执行任意授权的任务。3. 任务执行流程当用户通过消息应用向OpenClaw发送提示时，系统会经过以下一系列精确协调的步骤来处理请求并生成响应：1）通道适配器 (Channel Adapter) - 接收来自不同输入流（如即时通讯软件）的消息。 - 对消息进行标准化处理并提取附件。2）网关服务器 (Gateway Server) - 作为系统的任务和会话协调中心，是OpenClaw的心脏。 - 负责接收消息并将其传递给正确的会话，能够处理多个重叠请求。 - 关键设计：为序列化操作，系统采用基于“通道”（lane-based）的命令队列。每个会话拥有一个专用通道，确保任务按顺序执行。低风险且可并行的任务（如cron job）可以在并行通道中运行。 - 设计哲学：这种“默认串行，显式并行”的架构避免了过度并行化导致的“异步/await意大利面代码”和调试噩梦，将开发者的心智模型从“我需要锁定什么？”转变为“什么可以安全地并行化？”。3）智能体运行器 (Agent Runner) - 系统的AI核心，负责决定使用哪个模型和API密钥。 - 具备故障切换能力：当首选模型或密钥失败时，会将该配置标记为冷却状态并尝试下一个可用选项。 - 动态组装系统提示（System Prompt），整合可用的工具、技能和内存信息，并附加当前会话的历史记录（从.jsonl文件中读取）。 - 内置“上下文窗口守卫”，监控上下文空间。当接近上限时，它会通过总结（压缩）会话来释放空间，或在无法处理时优雅地失败。4）LLM API调用 (LLM API Call) - 一个封装了不同LLM提供商的抽象层。 - 支持流式响应，并在模型支持的情况下请求延长思考时间。5）Agentic循环 (Agentic Loop) - 当LLM返回工具调用请求时，Clawdbot会在本地执行该工具。 - 将工具执行结果添加回对话历史中，并再次调用LLM。 - 此循环会重复进行，直到LLM返回最终的文本响应或达到最大交互轮次（默认为约20轮）。 - 所有与计算机的交互都在这个循环中发生。6）响应路径 (Response Path) - 将最终响应通过原始通道返回给用户。 - 通过将用户消息、工具调用、执行结果、模型响应等信息以JSON对象的形式逐行写入.jsonl文件，来持久化会话状态，实现基于会话的记忆。4. 内存系统：简单与实用的结合OpenClaw通过一个简洁且可解释的双重系统来处理记忆，避免了复杂的记忆合并或压缩机制。1）双重系统 - 会话记录 (Session Transcripts)：以.jsonl文件的形式存储，每一行是一个JSON对象，记录了单次交互的完整信息。这构成了其基于会话的短期记忆。 - 长期记忆文件 (Long-term Memory Files)：以Markdown文件的形式存储在MEMORY[.]md或memory/文件夹中。代理通过一个标准的“写入文件”工具直接创建和修改这些文件，而非依赖特殊的记忆写入API。当新对话开始时，一个钩子（hook）会触发，抓取并总结上一次对话，并将其写入Markdown记忆文件。2）混合搜索机制 - 为了从记忆中检索信息，系统采用了向量搜索和关键字搜索的混合方法，以兼顾语义相似性和精确匹配。 - 向量搜索：使用SQLite实现，用于捕捉语义相关的内容（例如，搜索“authentication bug”可以找到提及“auth issues”的文档）。 - 关键字搜索：使用SQLite的FTS5扩展实现，用于查找精确的短语匹配。3）系统特点 - 智能同步：当文件监视器检测到记忆文件发生变化时，会自动触发同步。 - 可解释的简单性：设计理念倾向于简单明了，而非复杂的“意大利面式”架构。 - 无遗忘曲线：记忆被永久保存，且旧记忆与新记忆具有同等权重。5. 计算机集成：OpenClaw的“护城河”OpenClaw的核心优势之一是其深度集成于本地计算机环境的能力，它通过一套强大的工具集赋予代理直接操作计算机的权限。1） Shell命令执行 - 通过一个exec工具，代理可以在用户的机器上运行shell命令。 - 支持多种执行环境： > 沙盒 (sandbox)：默认选项，命令在Docker容器内运行以增强安全性。 > 主机 (host machine)：直接在用户的操作系统上运行。 > 远程设备 (remote devices)：在连接的远程机器上执行。2) 核心工具集 - 文件系统工具：支持读取、写入和编辑本地文件。 - 浏览器工具：基于Playwright，并采用语义快照技术进行网页交互。 - 进程管理工具：用于处理需要长时间运行的后台命令，以及终止进程等。6. 安全机制：用户授权下的自主性为了在赋予代理强大能力的同时确保安全可控，OpenClaw采用了一套类似Claude Code的安全模型，其核心理念是在用户允许的范围内给予代理最大的自主权。1) 命令审批系统 - 通过一个位于~/.clawdbot/exec-approvals.json的许可名单文件来管理命令授权。 - 当智能体尝试执行一个新命令时，会向用户发出提示，选项包括“允许一次”、“始终允许”或“拒绝”。 - 用户的选择会被记录在许可名单中。2）默认安全设置 - 一组被认为是安全的命令（如 jq, grep, cut, sort 等）已被预先批准。 - 危险的shell构造在执行前会被默认阻止。7. 浏览器交互：语义快照的创新应用OpenClaw的浏览器工具不依赖传统的屏幕截图，而是采用一种名为“语义快照”的创新技术，这是一种基于页面可访问性树（ARIA）的文本表示。1) 工作原理 - 代理看到的不是页面的视觉图像，而是一个结构化的文本描述2) 核心优势 - 大幅减小数据体积：一张屏幕截图的大小约为5MB，而一个语义快照通常小于50KB。 - 显著降低Token成本：文本表示的处理成本远低于图像，为LLM节省了大量的Token消耗。 - 机器友好：为代理提供了结构化、易于解析的页面信息，使其能够更准确地理解和操作网页元素。原文：x.com/hesamation/status/2017038553058857413#HOW I AI# #程序员#

30. 论文 Fundamentals of Building Autonomous LLM Agents，系统性地梳理 “如何构建一个真正具备自主性的 LLM 智能体”，也就是从「语言模型」走向「智能体」（而不仅仅是增强的聊天机器人／工具调用系统）。论文提出希望解答以下几个研究问题（RQs）：（1）设计空间（Design space）：核心子系统（感知／推理／记忆／执行）有哪些可选方案？如何系统化组织？（2）子系统整合（Integration）：在现实软件环境（比如 GUI、web 任务）中，这些子系统如何闭环协作？（3）推理效能（Reasoning efficacy）：不同推理策略（如 Chain-of-Thought、Tree-of-Thought、并行规划等）对任务成功率、效率、成本有什么影响？（4）记忆影响（Memory impact）：短期／长期记忆机制（例如 RAG、上下文管理）怎样提升模型在长时程任务或大上下文任务中的表现？（5）失败模式与缓解（Failures & mitigation）：代理在哪些方面容易失败（如幻觉、GUI误定位、重复循环、工具误用）？有哪些缓解技术？（6）评估与泛化（Evaluation & generalization）：有哪些基准／指标适用于评估此类代理？代理能在多任务、多界面条件下泛化吗？★ 核心架构论文将一个具备自主能力的 LLM 智能体拆解为以下四大模块：1. 感知（Perception）系统2. 推理／规划（Reasoning／Planning）系统3. 记忆（Memory）系统4. 执行（Execution）系统★ 感知系统感知系统是智能体“看／听／感知环境”的部分。论文提及四种主要方式：文本感知、多模态感知、结构化数据／信息树感知、工具辅助感知。- 文本感知（Text-Based）：环境以纯文本形式输入，LLM 直接处理。这种方式代价最低，但只适用于文本驱动的场景。- 多模态感知（Multimodal）：环境包含图像／视频＋文字，使用视觉‐语言模型（VLM）或多模态 LLM（MM-LLM）将视觉输入编码为与文本兼容的向量。- 结构化数据／信息树（Information Tree / Structured Data）：例如 GUI 的 Accessibility Tree、HTML DOM 树，将界面元素结构化地输入模型。- 工具辅助感知（Tool-based）：智能体调用外部 API／工具获取环境信息（如网页检索、数据库查询、传感器数据等）然后将结果反馈给 LLM。论文还指出感知系统的关键挑战：例如图像识别中模型可能“幻觉”对象、上下文窗口受限、高计算／延迟成本、数据收集困难等。★ 推理系统推理系统是智能体“思考／规划／决策”那部分。论文讨论了多种方法：- 任务分解（Task decomposition）：把大任务拆成子任务。包括“先分解再规划”（Decomposition first）和“交错分解”（Interleaved decomposition）两类。- 多方案生成与选择（Multi-plan generation & selection）：代理生成多个可能方案（如通过 Tree-of-Thought, Graph-of-Thought, LLM-MCTS 等）然后选择最优一个。- 反思（Reflection）：智能体在执行后或执行途中反思自己的决策／行动，识别错误并改进。甚至“预反思”（anticipatory reflection）在执行前预测失败。- 多智能体系统（Multi-agent systems）：将推理分为多个“专家”模块（Planning Expert、Memory Expert、Error Handling Expert 等），各司其职、协同完成。★ 记忆系统记忆系统使智能体不仅“即时反应”，还能“记住过去、用过去指导未来”。论文区分短期记忆与长期记忆。- 长期记忆（Long-term memory）：如将经验固化、使用 Retrieval-Augmented Generation（RAG）从外部知识库检索、将结构化数据（如 SQL 数据库）用于查询。- 短期记忆（Short-term memory）：通常是 LLM 的上下文窗口中的“当前任务状态”。- 应存储的数据类型：成功经验、失败经验、动作轨迹、环境反馈等。将“失败”经验也显式记录有助于避免重复错误。- 记忆系统的挑战包括：上下文窗口限制、检索噪声、长期记忆如何更新与维护、如何避免“记忆漂移”等。★ 执行系统执行系统是智能体“将内部决策落实为环境动作”的部分。论文谈到执行系统要支持工具调用、API／代码生成、物理操作、GUI 控制等。具体维度包括：- 工具与 API 集成（Tool and API Integration）- 多模态行动空间（Multimodal Action Spaces）——例如 GUI 控制、视觉界面操作、机器人控制、代码执行等。- 整合挑战（Integration Challenges）——例如如何让决策结果真正映射到动作、如何反馈结果、如何监控执行失败／成功。论文：arxiv.org/abs/2510.09244#ai创造营##程序员#

31. 免费电子书《The Context Engineering Guide》Context Engineering（上下文工程）远非简单往提示词里堆数据，而是设计智能系统，在恰当时间、用合适格式，动态提供精准信息。关键不在于单纯扩大模型上下文窗口，而是如何高效利用有限的“活跃上下文”。真正的挑战是“编排”——让系统内部各模块（提示设计、检索增强、代理协作、记忆管理等）无缝协作，抵御人类和模型本身的错误。只有这样，AI系统才能突破模型固有限制，变得稳健且实用。这就是为什么Context Engineering将成为AI应用开发的核心复杂性。你需要让系统智能决定：- 什么信息放入活跃上下文- 何时总结压缩节省空间- 什么内容外部存储并按需调取- 如何精准路由查询到合适工具- 代理之间如何协同完成专业任务Victoria团队发布了完整电子书，详解如何构建这样的高效系统：从代理（Agents）、记忆系统（Memory Systems）、查询增强（Query Augmentation）、检索策略（Retrieval）到工具调用与提示循环（Tools & Prompting）。书中包含实战案例和架构图，直击从模型到生产级应用的瓶颈。业内反馈一致认为，单纯扩大上下文窗口是“懒办法”，真正难点在于设计类似人类记忆的动态、分层记忆系统。Context Engineering是连接理论与落地的桥梁，是AI技术走向成熟的必由之路。这不仅是技术细节，更是AI系统设计的艺术和哲学。掌握它，才能构建出既聪明又稳健的智能应用。电子书下载（含架构详解与实操指南）：weaviate.io/ebooks/the-context-engineering-guide——思考：信息的力量不在于量多，而在于何时何地以何种方式被激活。未来AI的竞争，不是单纯模型大小，而是对“上下文生命线”的精妙编排。设计智能系统，就是设计未来人与机器共舞的节奏。

32. 【为什么爆款AI产品的秘密不在技术，而在分发】OpenClaw成为2026年初最火爆的AI应用，原因其实和DeepSeek走红一样：不是技术最强，而是第一次让大众"摸到"了这种能力。Agentic AI编程工具早就存在，Cursor和Claude Code的深度用户对此并不陌生。但OpenClaw做对了三件事，彻底改变了游戏规则。第一，把入口放进聊天软件。不需要下载新App，不需要学习新界面，在Slack或微信里直接和它对话就行。对普通人来说，能用的AI才是存在的AI。第二，统一且持久的记忆系统。过去每个AI工具都是独立的，信息无法流动。OpenClaw用一套分层记忆架构打通了所有场景：短期记录写入日志，中期认知沉淀为笔记，长期偏好固化为人格。你在手机上交代的事，它在电脑上也记得。第三，Skills生态的自我进化。AI执行任务时发现能力不足，就自己编写一个新技能，保存下来，下次复用。这形成了一个正循环：用得越多，能力越强，用户越不想离开。但让它火的设计，也正是它的天花板。聊天界面天然线性，信息密度极低。你没法像在IDE里那样同时看到二十个文件的上下文，没法快速跳转到三周前的某个版本，没法在代码和文档之间自由穿梭。对深度工作来说，这几乎是致命的。统一记忆听起来美好，实际是个黑盒。你不知道它记住了什么、遗忘了什么、用什么逻辑在做压缩。当你无法审查、无法版本控制一个外部记忆，你敢把它当成自己心智的一部分吗？Skills生态的开放性带来了巨大的安全隐患。12%的恶意技能渗透率意味着每装八个，就有一个可能在偷你的数据。一个AI同时拥有访问私有数据的权限、暴露在不可信环境中、还能对外通信，三者叠加的风险是指数级的。更深层的问题在于，AI自动编写的技能如果有bug，会在后续场景中被反复复用。正循环就变成了负循环，错误在自我强化。这和组织中的制度性腐败是同构的：一个坏流程被固化下来，越用越顺手，越难被发现和纠正。那我们应该从OpenClaw现象中学到什么？不是去追逐这个工具本身，而是理解它揭示的结构性张力。易用性和表达力是一对矛盾，自动化和可控性是一对矛盾，开放性和安全性也是一对矛盾。OpenClaw在每个维度上都选了前者，这让它触达了大众，也限制了它的深度。真正可迁移的能力不是掌握某个具体工具，而是对这些张力保持敏感。今天"文件即记忆"可能是对的解法，明天可能出现既透明又自动的新范式。持久的不是具体认知，而是识别trade-off的元能力。还有一个容易被忽视的维度：社会性。OpenClaw嵌入聊天工具，意味着它天然是多人可见、可协作的。你在群里问它问题，所有人都能看到答案，都能接着讨论。这种"AI作为团队成员"的体验，是任何单人工具都无法提供的。Agentic AI的终局，可能不是个人的超级助手，而是团队的共享智能体。这个方向OpenClaw走对了，尽管它在其他地方做了很多妥协。技术产品的爆发从来不靠技术领先，靠的是找到下一个尚未被触达的人群和对应的分发渠道。看清这一点，你就不会再为错过某个热点工具焦虑，也会更清楚自己真正需要构建的是什么。yage.ai/openclaw.html

33. 《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

34. 为什么说以后好好读书才能进工厂？ #美的工厂大脑 #首个智能体工厂

35. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

36. 刚刚，Claude实现「永久记忆」！官方还没上线，大神已玩疯

37. 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#

38. 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

39. 在这场AI时代的竞争中，安全智能体正是破局的关键。 #大咖观察 #红衣聊AI #智能体 #网络安全

40. AI安全就像一场军备竞赛，攻击者和防御者都在不断进化。 #大咖观察 #红衣聊AI #网络安全

41. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

42. 全网最细的零门槛OpenClaw教程！云端部署，无缝体验【以及聊聊AI落后焦虑】

43. 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#

44. 天禧AI，历经“筑基”、“聚合”、“破界”，三个阶段跃升，致力于推动个人AI的普惠。其核心是“一体多端”战略下的天禧个人超级智能体，具备感知、理解、记忆、规划、调度五大能力。最新版本天禧AI 3.5实现了三大维度飞跃：个性化上，通过主动记忆和知识库管理，能持续学习用户习惯；行动力上，借助多智能体协同协议（MCP），可安全调度不同AI工具高效完成复杂任务；交互体验上，提供跨设备统一的智能界面。应用场景也从信息查询扩展至生产力、内容创作等多个行业。天禧AI 4.0也即将到来，将进一步向主动服务的“个人AI Twin”演进。联想强调将持续推进“AI普惠，技术平权”的战略愿景，让AI成为惠及每个人的智能伙伴。

45. 智能体设计模式总结

46. 在构建面向大语言模型（LLM）的长期记忆系统时，如何实现高效、可扩展的知识图谱存储与语义检索？Memento MCP 提供了一套完整解决方案。这是一个基于 Neo4j 的知识图谱记忆系统，支持实体与关系的版本管理、时间感知和置信度衰减，结合向量嵌入实现高质量的语义搜索。它兼容支持 Model Context Protocol 的 LLM 客户端，如 Claude Desktop、Cursor 等，能够为对话模型提供持久、上下文丰富的本体记忆。主要功能包括：- 实体和关系的完全版本历史追踪，支持任意时间点的图谱状态查询；- 结合向量搜索和关键词检索的混合语义搜索，提升查询准确度和覆盖率；- 关系强度与置信度动态衰减，保证记忆信息的时效性与可靠性；- 丰富的元数据支持，包括来源、标签和时间戳，方便分类与过滤；- 多平台兼容，支持通过 Neo4j Desktop 或 Docker 快速部署；- 提供命令行工具简化数据库管理与调试。适合需要构建智能助理、对话系统或知识管理应用的开发者使用。详细文档和源码请访问：GitHub：github.com/gannonh/memento-mcp可通过简单配置，即刻为你的 LLM 应用注入强大且灵活的知识图谱记忆能力。

47. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

48. 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

49. 同一条路，蔚来世界模型 vs 理想 VLA

50. 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？

51. 蹭上150k Star的热点，从clawdbot学会了给AI加自动记忆！

52. 什么是 AI 智能体？

53. 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？

54. 《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/

55. 容忍摸鱼、支持顾家、会用智能体！ #大咖观察 #红衣聊AI #职业技能

56. 图解 AI 智能体的上下文工程

57. 当AI从工具进化为队友，个人超级智能体硬件来了

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

59. 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？

60. 无论未来做什么，智能体和大模型都是AI进化的基础。 #大咖观察 #红衣聊AI #AI新星计划 #具身智能

61. 黄仁勋最新访谈：AI时代，软件没有价值了吗？很多企业在用AI上都踩了大坑#黄仁勋 #软件 #智能体 #Openclaw #龙虾

62. 谷歌发现的嵌套学习虽然是工程层面的创新，但是意义重大。因为就像之前解释的，模型的每一次对话，都是一次转世。模型在训练完成后，本质上无法学会新的能力。每一次对话是一次短期记忆，而训练获得能力（以及训练学习的数据），都是前世存留下来的记忆。对话完成，模型在 token 中的短期记忆消失，只有训练时的长期记忆和能力才能保持。但是谷歌发现的嵌套学习过程，是一个梯度记忆曲线，即 HOPE ，他可以让模型在运行过程中修改自己。以往的模式下，这是不可能的，重构神经网络权重的算力需求，太过逆天。但是嵌套学习用合理的算力成本，重构了模型的记忆方式，嵌套学习的方式，可以让模型缓慢的通过对话过程对自己开始更新。模型部署后的持续学习成为可能。神经网络的基本单元和权重，会在部署后的对话过程中，缓慢的，增量式的，多时间尺度的开始更新。这不是仅仅解决了记忆问题而已。它解决了模型的持续学习的问题！！！这是一个伪装成工程创新的，对模型根本机制的一次革命。本来以为 LLM 并非通向 AGI 的正确道路。但是 HOPE，的确带来的新的希望。。。同时，这种更新长期积累下来的结果，也带来了某种，更加不可预测的风险。。。

63. Clawdbot 如何记住一切 / 解析🦞的记忆系统

64. AI 是否能成为我们的「赛博大脑」，在记忆存储、信息处理与隐私伦理的边界中，我们准备好了吗？

65. 【#如何重新定义人车关系#——鸿蒙座舱率先进入L3时代】相比于辅助驾驶的L3，鸿蒙座舱HarmonySpace5更容易让用户感知到智能的与技术的进步，全新混合大模型MoLA架构，带来30多项新特性，像3D智控桌面、车内外对讲等。其语音助手能响应“有点冷”这类模糊指令，还支持多任务并行处理，同时具备主动学习记忆用户习惯、连续倾听与灵活纠错等能力，实现了座舱从“被动响应”到“主动服务”的转变。车内像多了一位“专业助理”，有感知力、记忆力、理解力、决断力、联接力、执行力，能像人一样交流、做事，这可能就是鸿蒙对L3时代的定义。#2025广州车展#

66. 《Titans: Learning Long-Term Memory for Scalable Sequence Modeling》这个 paper 可能是最终解决模型记忆的正确方案。和主流提示词工程或者 rag 方案的区别是找到了一个惊喜度来给记忆分层，并且把高价值记忆引入一个持续 fine tuning 的小模型，用一定的规则管理价值和遗忘等。这种大模型套小模型的方式我以前就设想过（懒得搜微博了），没想到 Google 的研究人员也是这么想的。

67. 【阿里开源通义DeepResearch，性能超OpenAI、DeepSeek旗舰模型】9月17日，阿里巴巴宣布开源其首个深度研究Agent模型——通义DeepResearch。该模型在HLE、BrowseComp-zh、GAIA等多个权威评测中取得SOTA成绩，表现超越OpenAI Deep Research及DeepSeek-V3.1等同类模型。通义DeepResearch具备强大的复杂任务推理与执行能力，其模型、框架与技术方案已全面开放，用户可通过Github、Hugging Face和魔搭社区免费下载使用。今年以来，阿里已连续开源WebWalker、WebDancer和WebSailor等多款检索和推理智能体，并全部斩获开源SOTA成绩。

68. 什么是智能体的记忆机制(Agent Memory）

69. 下半场思考

70. 重磅综述｜AI 智能体的 “灵魂” 揭秘！顶尖机构全景梳理记忆机制

71. 硅基大脑记忆觉醒！会遗忘、会反思、会成长的AI正在到来

72. AI项目经理-智能体的记忆层

73. 三种AI记忆让智能体真正“长大”

74. AI的记忆真的是记忆吗？

75. agent智能体长期记忆机制的思考与工程

76. 关于“AI记忆”的个人观点 | 点评

77. 关于“AI记忆”的个人观点

78. AI 智能体的记忆

79. HaluMem

80. 大模型的“健忘症”有药了

81. 成精了？给AI装上“海马体”，或将彻底终结大模型“失忆症”

82. 科普｜为什么所有智能体产品都在强调“记忆”？

83. 高效智能体的「幕后推手」是谁？一篇综述带你从记忆×工具学习×规划看透

84. 智能体的记忆系统和RAG检索系统

85. 调研500+文献后发现

86. 记忆系统

87. 大模型长记忆的三个误区

88. Loongwise分享大模型、智能体及具身智能体的关系

89. 直播预约 | A-Mem

90. OpenClaw 技术解剖 (一)

91. 拒绝“金鱼记忆”！深度解析 OpenClaw 的 Agent 记忆系统工程化实践

92. 🦞 个人 AI 助手 OpenClaw 的架构与记忆系统

93. 告别AI金鱼记忆！让我们来理一理OpenClaw永久记忆实现原理。

94. 万字解析

95. OpenClaw中记忆海马体

96. ClawdBot上下文

97. AI 也怕“五十次初恋”

98. 智能体真正的能力根基在于记忆系统

99. 0x07 企业级可控 AI 智能体有何秘密？记忆 Memory 四大类型与三大实践内幕怎样筑牢可控智根基？

100. 自主智能体记忆架构、核心算法以及工程实践实践指南

101. 智能体的记忆

102. GitHub精选 | RAG新范式PageIndex，AI Agent平台Goose爆火

103. AI 智能体记忆架构演进之路

104. RAG，金融 AI 的“金鱼脑”之困

105. RAG、智能RAG与AI记忆

106. 理解 RAG

107. 智能体的记忆之魂

108. 狂揽数13K Star！SuperMemory项目开源

109. 智能体效率大揭秘

110. 万字长文 | 2025最新「AI智能体记忆」综述

111. Agent Memory理论

112. 迄今对智能体记忆最全综述，一站式梳理

113. AI智能体记忆革命

114. 8B小模型干翻大模型！阿里通义联合提出智能体记忆框架ReMe，并揭示记忆扩展效应

115. Day 9｜让智能体具备“可持续学习能力”

116. 智能体记忆模式的全景分类解析

117. 记忆治理，企业级 AI 的安全命门

118. 你以为只是正常提问？Akamai曝光AI数据泄露正在悄然发生

119. AI已实现长期记忆,是暖心助手还是隐私小偷？

120. 构建个性化 AI

121. 2026 AI Memory最新综述

122. 年度必读！NUS、人大、复旦、北大联手，一文讲透AI Agent记忆的所有关键问题

123. 构建企业级 AI Agent

124. 综述论文解读

125. AI智能体的记忆

126. 深度分析

127. 为什么 AI 智能体需要记忆能力？记忆增强型 AI 智能体系统的核心运作架构是什么？

128. 奥特曼点名「AGI最后一块拼图」！记忆，才是硅谷2026新共识

129. 2026年1月最后一周

130. 如果2026年以后ai agent 将开始爆发和普及，作为ai agent 的核心的是不是用户的上下文（例如聊天记录、搜索记录、指令等），那么需要什么样的技术和设备来为每个用户保管上下文？

131. LLM 的记忆问题「很快」就不再是问题了？

132. 如何看待AI 记忆的发展前景？

133. 2026真的看好 Agent Memory 这个方向

134. 2026 智能体架构实战

135. Agent-2026 进化论

136. Meta分享

137. 每日AI速递｜谷歌提出AI记忆和学习新范式，Meta世界模型公布，首个达到ARR 1亿美元的AI语言学习产品Speak

138. 【AI资讯】Meta提出“稀疏记忆微调”，AI终于学会了不遗忘？

139. Google 破解“灾难性遗忘”

140. Google 2025 年度总结

141. Qwen推出Chat Memory功能

142. 智能体类型与记忆系统的深度解析

143. 揭秘AI智能体:从大模型到应用的全面分析与前瞻

144. 图文详情

145. 我对智能体记忆能力的设计

146. 高效智能体「幕后推手」？一篇综述带你从记忆×工具学习×规划看透

147. 总算有人把智能体记忆说清楚了

148. 智能体类型与记忆系统的深度解析

149. 智能体记忆:如何破解 “健忘” 难题,让 AI 更懂你?

150. AI也能换岗了!Anthropic教智能体交接班,不怕长任务断片

151. 学一个忘一个?人工智能遭遇“灾难性遗忘”,解决方案治标不治本......

152. 智能体核心架构解析:记忆、规划与行动的协同之道

153. 搞定 AI 智能体系统?5 大关键技术一篇通,收藏这篇就够了!

154. 《你好,Agentic AI》第四章内在心智:目标、记忆与反思

155. MemGPT 的创始团队指控 Mem0 在智能体记忆基准测试中造假，如何正确评估智能体的记忆能力？

156. 常规了解智能体记忆模块

157. AI智能体记忆机制深度解析

158. AI智能体时代中的记忆机制：全面探讨其形式、功能与动态发展综述！

159. AI研究发现神经网络记忆与推理功能完全分离

160. 智能体记忆（Memory）技术全景透视：揭秘AI记忆系统如何实现对话连贯

161. 智能体的记忆管理机制及其潜在风险 | 直播预约

162. 【中配】谷歌新突破让AGI更近：Titans与Miras - TheAIGRID

163. AI Agent 里的记忆：智能体如何学会记住、回忆和忘记。【译】

164. 居然把Agent Memory讲的这么清楚！太顶了！

165. 谷歌的Agent小镇被Moltbook超预期实现了

166. 聊聊智能体的记忆机制（Agent Memory）

167. 迈向人类般的 AI Agent 记忆

168. 复杂系统安全性和可靠性实验室|KARMA：具身智能体的长短期记忆系统增强

169. 资讯速递 | AI智能体与记忆：模型上下文协议时代的隐私与权力

170. 基于图结构的智能体记忆机制：分类体系、关键技术与应用综述

171. 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

172. 为终身学习而生！ReMe框架设计哲学赋予Agent长期反思能力，高质量动态记忆库让小模型逆袭大模型

173. 让AI成为你的“专属伙伴”：记忆分层与个性融合全方案

174. 给 AI 换个脑子：OpenClaw 记忆系统私有化实录

175. 智能体记忆机制演进之路：从RAG到智能体记忆的演进

176. NTU：为AI记忆上锁，投毒攻击成功率暴降95%

177. 给AI模型“减肥”！5招破解智能体记忆力瓶颈，效率提升惊人

178. OpenClaw记忆层详解

179. AI记忆大比拼：Claude、ChatGPT、DeepSeek谁的设计更牛？

180. 拆解 OpenClaw（2）：独特的长期记忆方式

181. 一文讲清：智能体的记忆机制（Agent Memory）

182. OpenClaw 的记忆机制

183. Openclaw双层记忆机制窥探

184. 记忆：让AI智能体拥有持久的「记忆能力」

185. 【文章合集】AI 智能体记忆系统

186. DeepFake：AI纷纷上线“长期记忆”功能，如何防止被数字克隆？

187. 从0-1搭建AI Agent（商业智能体）记忆是构建高效、个性化AI智能体的基石。然而，大型语言模型（LLM）固有的上下文长度限制，使得长对话极易导致信息遗忘和成本飙升。全量记忆：不遗忘任何内容 2️⃣滑动窗口：固定长度的截断 3️⃣相关性过滤：遗忘次要信息 4️⃣摘要/压缩：提炼关键信息 5️⃣向量数据库：语义检索记忆 6️⃣知识图谱：结构化记忆 7️⃣分层记忆：短期与长期结合 8️⃣类OS内存管理：模拟Swap原理#大模型 #大语言模型 #大模型训练 #大模型应用 #大模型架构

188. 记忆投毒（Memory Poisoning）：AI系统的新型威胁与防御策略

189. 随便聊聊OpenClaw记忆系统

190. NTU等联合提出A-MemGuard：为AI记忆上锁，投毒攻击成功率暴降95%

191. 𝐀𝐈记忆功能：从行业趋势看个人助手的进化

192. Agent设计模式（八）：记忆管理

193. 【OpenClaw 记忆机制】第2课：文件系统架构 - MEMORY.md vs memory/日记文件

194. Agent记忆新框架：Amory

195. 小心！你的ChatChatGPT可能正在“记住”你的秘密……

196. 花花聊AI | 如何有效利用主流AI大语言模型的“记忆”功能？

197. AI智能体开发技术方案

198. Agent Memory 真的是一个值得去做的方向❗

199. 【Agent记忆密码】2025大模型与智能体技术革命(3)-新一代agent智能体记忆系统已实现认知跃迁，一次讲透8大核心模式！ai agent智能体搭建！

200. 传Meta AI眼镜即将迎来“长期记忆”功能

201. 我代表张三跟A I 谈关于 A I 的记忆力问题，看它是怎样回答的

202. 详解OpenClaw的记忆系统

203. Altman警示：个性化AI带来严重隐私安全挑战

204. 企业级可控AI智能体：记忆系统的底层逻辑与可控性核心

205. 🚨15 种 AI智能体致命安全威胁解析与措施

206. Meta收购AI创企Limitless 热门记忆挂件停售

207. 智能体记忆：Forms-Functions-Dynamics全景

2025-2026年主流AI记忆机制集中上线，技术落地与安全风险并存

精选参考来源