AITOP

记忆管理

共 15 条相关 AI 资讯
7月7日
13:03
7月6日
22:30
7月2日
11:06
11:06官方账号arXiv cs.AI@Shengguang Wu, Hao Zhu, Yuhui Zhang, Xiaohan Wang, Serena Yeung-Levy
73°
AutoMem 框架将 LLM 的记忆管理视为可训练技能，通过两轮优化自动改进。第一轮由强 LLM 审查完整轨迹并迭代修改记忆结构（提示、文件模式、动作词汇）。第二轮从多个回合中识别出好的记忆决策，作为训练信号直接提升模型记忆熟练度。在三个程序化生成的长周期游戏（Crafter、MiniHack、NetHack）中，仅优化记忆（不修改任务动作行为）使基础 32B 开放权重模型性能提升约 2-4 倍，达到与 Claude Opus 4.5 和 Gemini 3.1 Pro Thinking 等前沿系统竞争的水平。
论文AutoMemLLM记忆管理长周期任务元认知
推荐理由：想让你家 32B 模型在长任务上干翻 Claude 和 Gemini？试试 AutoMem——不动任务行为，只优化记忆管理，效果翻倍。
原文
7月1日
11:38
11:38官方账号arXiv cs.LG@Zijun Xie, Binbin Zheng, Enlei Gong, Jihua Liu, Yuyang You, Lingfeng Liu, Jiayao Tang, Guanqun Zhao, Aoqi Hu, Zeyu Chen
ECHO通过源索引重建方法，将每个环境交互回合压缩为紧凑记忆记录，并从中选择构建策略上下文。该方法在BrowseComp-Plus基准上达到43.4%保留准确率，超越GRPO的28.9%和SUPO的36.1%，且使用更少回合和轨迹量。训练后的策略在多项问答、代码生成和深度信息检索任务中实现了零样本泛化提升。
论文ECHOBrowseComp-Plus智能体强化学习记忆管理
推荐理由：这篇论文提出的ECHO框架，能让智能体在长回合任务中既保留细粒度证据，又能用强化学习追踪信用分配，效果比GRPO和SUPO都强。
原文
6月28日
00:56
00:56berryxia@berryxia
76°
Anthropic的Lamis在2026年AI DevCon上分享了上下文工程实践，从Claude MD文件起步，发现其效果出奇地好（unreasonably effective）。第二步引入记忆工具，让Agent自主读写，效果优于人类。第三步Skills采用渐进式披露，类似书架取书。第四步文件系统用bash和grep搜索，不需要向量数据库。生产环境面临多Agent并发写入等问题，Anthropic提出版本控制、并发控制等四个原则。最后介绍“做梦”机制：异步批量分析会话记录，识别模式并调整上下文，已在生产中运行，降低token成本。
技巧AnthropicClaude上下文工程智能体记忆管理
推荐理由：Anthropic工程师手把手教你上下文管理套路，从最基础的文件到高级的“做梦”架构，半小时就能上手实操。
原文
00:56
6月25日
03:42
6月11日
11:43
6月1日
10:47
10:47官方账号arXiv cs.AI@Weitong Qian, Beicheng Xu, Zhongao Xie, Bowen Fan, Guozheng Tang, Jiale Chen, Xinzhe Wu, Mingtian Yang, Chenyang Di, Jiajun Li, Lingching Tung, Peichao Lai, Yifei Xia, Ziyi Guo, Yanwei Xu, Yanzhao Qin, Shaoduo Gan, Xupeng Miao, Bin Cui
精选
AutoSci 是一个基于大语言模型的智能体系统，旨在自动化科学研究的完整生命周期，包括文献理解、想法生成、实验、论文撰写和审稿回复。它通过四个核心模块实现：SciMem 提供结构化研究记忆，区分长期知识记忆和项目级活动记忆；SciFlow 执行五阶段生命周期流程；SciDAG 用有向无环图增强复杂技能；SciEvolve 通过反馈信号持续优化系统。该系统解决了现有科研智能体无法统一支持全流程、缺乏持久记忆和自进化能力的问题。代码已开源，为科研自动化提供了可扩展的框架。
AI产品科研自动化智能体记忆管理开源/仓库AutoSci
推荐理由：做科研自动化的团队终于有了一个能覆盖全流程、带记忆还能自我进化的系统——AutoSci 把文献、实验、写作、审稿串起来了，搞学术自动化的开发者可以直接用它的开源代码试试。
原文
5月29日
16:56
16:56rohanpaul_ai@rohanpaul_ai
76°
AI 智能体的能力不仅取决于模型本身，更依赖于其周围的系统（称为“harness”），包括记忆、工具、上下文、路由、检查和权限。当前许多智能体被误判为仅由模型驱动，而实际行为受这些系统组件影响更大。论文指出，进步应来自扩展 harness 的三个部分：更好的上下文控制、更可信的记忆、以及更优的工具或辅助智能体路由。长上下文不等于可用上下文，记忆多不等于可信，工具多不等于知道何时使用。两个智能体可能得出相同答案，但一个可能消耗更多 token、做出更冒险的工具调用或携带损坏的记忆。未来前沿不是单纯扩展模型，而是扩展系统纪律。
论文智能体系统扩展harness模型评测记忆管理
推荐理由：这篇论文点破了智能体评测的常见误区——只看模型不看系统，做智能体开发的团队值得读，能帮你重新思考系统架构的优先级。
原文
08:14
5月28日
20:05
20:05rohanpaul_ai@rohanpaul_ai
76°
德克萨斯大学的一篇重要论文指出，AI 智能体在部署后会逐渐变得不可靠，即使底层模型本身没有变化。问题在于，智能体在持续运行中会总结旧对话、存储记忆、更新事实和执行维护，这些步骤中的每一个都可能悄悄“腐烂”，导致信息丢失、混淆或过时。例如，药物剂量可能被简化为“每日用药”，两个相似客户的信息可能混淆，已取消的订阅可能仍被视为有效。论文提出了 AgingBench 基准测试，用于评估智能体在多轮会话中的可靠性，并指出“给更多记忆”往往不是正确的修复方法。该研究将部署后的智能体重新定义为“老化的基础设施”，而非静态模型。
论文智能体老化记忆管理AgingBench可靠性
推荐理由：这篇论文戳中了 AI 智能体部署后的核心隐患——性能会随时间悄悄下降，做智能体运维或长期对话系统的团队值得细读，看完会重新审视记忆管理策略。
原文
5月25日
11:02
07:57
07:57berryxia@berryxia
72°
Anthropic 宣布推出 Memory Files 功能，允许 Claude 在对话中自动记录关键笔记并持久化存储，用户可随时浏览和编辑这些记忆。与传统的“记住聊天记录”不同，Memory Files 将记忆变为结构化、透明且可控的文件系统，更接近 always-on Agent 的持久记忆方式。该功能旨在解决长期 Vibe Coding 项目中每次重新打开对话需重复上下文的痛点。用户可选择使用 Memory Files 或经典记忆模式。这波更新为未来 Claude Conway 等 Agent 的长期协作能力铺路。
AI产品Claude记忆管理Vibe CodingAgentAnthropic
推荐理由：长期用 Claude 做 Vibe Coding 的开发者终于不用每次重复上下文了——Memory Files 让记忆可编辑可审计，建议直接体验新功能。
原文
5月17日
23:44
23:44rohanpaul_ai@rohanpaul_ai
精选72°
伊利诺伊大学、清华大学等机构联合研究发现，LLM智能体在反复重写自身记忆时，记忆可靠性会下降。许多智能体系统通过让LLM将原始经验压缩成整洁的书面总结来存储记忆，但论文指出，这种反复重写会逐渐损害记忆。实验表明，原始经验（即实际尝试和解决方案）往往比精炼的总结更有用。例如，GPT-5.4在无记忆情况下能100%解决ARC-AGI谜题，但使用基于正确解构建的记忆后，流式更新使成功率降至约54%。失败原因包括错误分组、过度泛化和过拟合，导致记忆丢失细节、混淆任务类型或学习到仅适用于狭窄案例的规则。论文建议，智能体记忆不应自动将每次经验重写为摘要，保留原始证据并偶尔进行总结效果更好。
论文LLM智能体记忆管理可靠性清华大学GPT-5.4
推荐理由：做智能体系统或记忆管理的开发者，这篇论文戳中了记忆重写的致命缺陷——原始经验比精炼总结更可靠，看完你会重新思考记忆存储策略。
原文