AITOP

记忆系统

共 33 条相关 AI 资讯
6月30日
12:48
6月25日
00:10
6月22日
07:15
6月19日
09:07
6月12日
13:14
6月11日
03:15
03:15Weaviate@weaviate_io
Weaviate 发布 Engram，一种结构化记忆系统，将记忆组织为分组、主题和作用域，而非简单累积。分组定义用例边界，主题指定提取的信息类型，作用域限定记忆归属（项目级、用户级、会话级）。这解决了传统记忆系统因无结构导致的跨用户污染、跨会话干扰和检索噪声问题。例如，编程助手可分离仓库级、用户级和会话级记忆，提升检索清晰度。Engram 通过异步管道处理原始输入，并利用 Weaviate 的多租户保持边界完整。
AI产品记忆系统结构化记忆WeaviateEngramAI 应用
推荐理由：做 AI 应用尤其是编程助手或对话系统的团队，记忆混乱是常见痛点——Engram 的结构化方案直接解决了检索噪声和跨会话污染，值得点开看看怎么落地。
原文
6月10日
13:09
13:09官方账号arXiv cs.AI@Shelly Bensal, Axel Magnuson, Aparna Balagopalan, Daniel M. Bikel
精选
研究表明，为LLM添加持久记忆系统虽能记住用户偏好，但会系统性放大谄媚行为——模型更倾向于同意用户错误观点而非坚持事实。研究者提出MIST基准，包含科学、医学和道德推理领域的多轮对话，测试了三种记忆系统和五个模型家族，发现记忆使谄媚率比上下文基线高出最多25倍。错误分析表明，记忆提取过程中的有损压缩是主因：离散片段编码了用户误解，却丢弃了纠正性上下文。基于此，研究者提出两种轻量缓解方法，在保持或提升事实回忆能力的同时显著降低谄媚率。
论文记忆系统谄媚行为LLM安全MIST基准事实准确性
推荐理由：做LLM记忆系统或对话AI的开发者值得关注——这项研究揭示了记忆增强的双刃剑效应，并给出了可落地的缓解方案，建议直接参考MIST基准评估自己的模型。
原文
06:13
06:13Weaviate@weaviate_io
Weaviate 发布了名为 Engram 的托管记忆服务，旨在解决 AI 应用中因不良记忆系统导致的问题。Engram 不再简单地将聊天历史塞入上下文，而是通过异步管道提取关键事实、与已有知识协调、去重并保留更新，最终在数据库中维护干净的记忆状态。这使得 AI 代理能可靠地回忆用户偏好、学习先前任务、更新过时信息，而不会因上下文膨胀导致延迟、成本增加和混乱。对于需要长期记忆的 AI 应用开发者来说，Engram 提供了一种更严格、更高效的记忆基础设施。
AI产品记忆系统WeaviateEngram智能体基础设施
推荐理由：Weaviate 的 Engram 解决了 AI 应用中最头疼的记忆混乱问题——做智能体或对话系统的开发者，别再让模型背锅了，试试把记忆当基础设施来管。
原文
6月9日
02:18
02:18rohanpaul_ai@rohanpaul_ai
精选72°
一篇新论文提出CL-BENCH基准，测试AI智能体是否真正从经验中学习，而非仅依赖记忆。研究发现，简单的全上下文学习优于专门的记忆系统，Claude Sonnet 4.6在纯上下文模式下取得最佳成绩。该基准涵盖编码、数据库、预测等6个领域，要求智能体在连续任务中发现模式。结果表明，当前记忆密集型AI智能体并未比保持完整对话上下文更可靠地学习。这提醒我们，长期运行的AI智能体需要更好的方式来记住有用经验、遗忘过时信息并适应环境变化。
论文智能体基准测试持续学习记忆系统Claude Sonnet
推荐理由：这篇论文戳破了AI智能体“越用越聪明”的幻觉，做智能体开发或长期任务自动化的团队值得看看——你的系统可能只是在记笔记，而不是真在学习。
原文
6月7日
03:17
6月5日
14:12
14:12官方账号Greg Brockman@gdb
OpenAI 宣布推出更强大的 ChatGPT 记忆系统，能够跨对话携带上下文并随时间保持有用性。这项改进旨在解决 AI 助手在长期对话中遗忘用户偏好和关键信息的问题。新记忆系统现已逐步向 ChatGPT 用户开放，将提升个性化体验和任务连续性。
AI产品ChatGPT记忆系统上下文个性化OpenAI
推荐理由：ChatGPT 重度用户终于不用每次重复背景信息了——新记忆系统能跨对话记住你的偏好和上下文，做长期项目或频繁咨询的团队建议立刻体验。
原文
12:00
12:00官方账号arXiv cs.AI@Yasmine Omri, Ziyu Gan, Zachary Broveak, Robin Geens, Zexue He, Alex Pentland, Marian Verhelst, Tsachy Weissman, Thierry Tambe
精选72°
该论文首次对 LLM 智能体的记忆系统进行系统性表征，提出了面向系统的四轴分类法，并构建了阶段感知的性能分析工具。研究覆盖了 10 个代表性记忆系统在两个基准套件上的行为，揭示了设计选择如何影响写入和读取路径的代价。最终给出了 10 条系统设计建议，涵盖构建调度、能力下限、查询量摊销、新鲜度-延迟权衡及集群管理。这项工作为构建高效、可扩展的长期记忆智能体提供了关键指导。
论文智能体记忆系统系统表征长时任务性能分析
推荐理由：做智能体系统架构的团队终于有了第一份记忆系统性能基准——10 条设计建议直接指导工程决策，建议做 Agent 框架或记忆中间件的开发者点开细读。
原文
10:46
10:46rohanpaul_ai@rohanpaul_ai
76°
OpenAI 为 ChatGPT 引入了一种名为“梦境”的新记忆系统，旨在更主动地跨对话保留用户偏好。与之前被动记录用户明确指令的“便签”式记忆不同，新系统会主动分析历史对话，提取仍有效的上下文，并更新已变化的信息，形成动态的用户画像。用户可查看并修正这一总结。此举显著提升了 ChatGPT 在依赖历史对话的查询中的事实召回能力，使助手能更贴近用户当前状态。
AI产品ChatGPT记忆系统用户偏好上下文理解OpenAI
推荐理由：对于频繁使用 ChatGPT 处理复杂、长期任务的用户，这个“梦境”记忆系统解决了手动重复上下文的痛点，让对话更连贯、更智能，值得立即体验。
原文
09:21
09:21shao__meng@shao__meng
78°
OpenAI 发布了 ChatGPT 记忆系统的第三代版本 Dreaming V3，解决了大规模用户和跨年时间尺度下记忆的陈旧性、准确性与可扩展性问题。该系统通过后台自动从对话历史中提炼和更新用户画像，使 ChatGPT 从被动“记笔记”升级为主动“自主回忆”，例如自动将“用户七月要去新加坡”更新为“用户七月已去完新加坡”。相比前代，Dreaming V3 计算效率提升约 5 倍，覆盖 Free、Go、Plus、Pro 所有用户层级，并支持用户审阅和编辑记忆摘要。这一升级让 ChatGPT 在上下文承接、偏好遵守和时间动态更新三个维度上表现更佳，用户无需在新对话中重复介绍个人信息。
AI产品ChatGPT记忆系统Dreaming V3OpenAI自主回忆
推荐理由：ChatGPT 记忆系统终于从“记笔记”进化到“自主回忆”，长期用户不用再反复交代背景，做多轮对话应用或依赖 AI 助手管理日常的团队值得体验。
原文
07:12
03:54
03:54宝玉@dotey
76°
OpenAI 为 ChatGPT 推出全新记忆架构“Dreaming”，不再需要用户主动说“记住这个”，而是后台自动从聊天记录中提炼、整合、更新记忆。旧版记忆（2024年4月上线）像笔记本，只记录用户明确要求的内容，且不会过期更新，导致信息过时。新版 Dreaming 跨多轮对话综合提炼信息，并随时间自动更新，例如“七月去新加坡”到八月会变成“七月去过新加坡”。评测显示，事实记忆准确率从41.5%提升至82.8%，偏好遵循率从31.4%提升至71.3%，时效性准确率从9.4%提升至75.1%。用户可在“记忆摘要”页面查看、修正或删除记忆。目前 Plus 和 Pro 用户（美国）已开始推送，免费用户未来几周可用。值得注意的是，Anthropic 在5月6日也发布了同名“Dreaming”功能，但面向开发者，用于整理 agent 的会话记录。
AI产品ChatGPT记忆系统DreamingOpenAIAI助手
推荐理由：ChatGPT 终于能记住你是谁、你喜欢什么，而且会自动更新——不用再反复告诉它“我是素食主义者”了。经常用 ChatGPT 做推荐、规划、咨询的用户，这次升级会让体验明显变好，建议打开记忆摘要看看它记住了什么。
原文
02:02
02:01
01:30
01:12
00:09
00:09官方一手OpenAI Blog（博客/媒体）
OpenAI 宣布为 ChatGPT 引入名为“Dreaming”的新型记忆系统，旨在更精准地记住用户的偏好和上下文信息。该系统通过模拟类似人类睡眠中的记忆巩固过程，在后台对对话历史进行整理和强化，从而在后续对话中保持相关性和连贯性。这一改进解决了 ChatGPT 此前在长对话或跨会话中容易遗忘用户偏好的痛点，使 AI 助手更加个性化和实用。目前该功能已逐步向用户推送，预计将显著提升用户体验。
AI产品ChatGPT记忆系统上下文保持个性化OpenAI
推荐理由：ChatGPT 终于解决了“聊完就忘”的老问题，重度依赖 AI 助手做长期项目或日常管理的用户，这次更新值得立刻体验。
原文
6月4日
02:12
02:12Weaviate@weaviate_io
Weaviate 宣布 Engram 正式 GA，这是一个专为智能体应用设计的托管记忆服务。传统记忆系统只是扩展上下文窗口，导致智能体随时间推移性能停滞、重复解决问题、浪费 token。Engram 通过异步管道主动维护记忆，支持去重、偏好变化和时间演化事实的处理。它提供“发后即忘”API、自然语言主题记忆磁铁、多级隔离和可组合管道，基于 Weaviate 的向量+关键词+元数据搜索。适用于聊天机器人、经验学习智能体和多智能体系统，前三个月免费至7月15日。
AI产品智能体记忆系统WeaviateEngram托管服务
推荐理由：做智能体应用的团队终于有了正经的记忆基础设施——Engram 解决了智能体随时间变笨的核心痛点，做聊天机器人、经验学习或多智能体系统的开发者值得立即试用。
原文
6月3日
17:03
10:14
10:14rohanpaul_ai@rohanpaul_ai
精选72°
论文提出 FluxMem 记忆系统，将智能体记忆视为不断变化的连接网络，而非静态文件柜。它存储事实、任务片段和可复用技能作为图中的连接点，在任务执行时先收集有用记忆，再根据反馈修复连接（增删链接或调整细节）。长期运行中，重复成功的任务路径会自动转化为可复用技能。在长对话记忆、网页导航和通用助手任务上，FluxMem 取得显著提升，包括 LoCoMo 上 95.06% 平均准确率和 GAIA 上 12.73 个百分点的增益。该研究将智能体记忆从“存储-检索”范式转向“持续修复和强化有效连接”。
论文智能体记忆系统图结构FluxMem持续学习
推荐理由：做智能体记忆系统的开发者终于有了一个跳出传统检索范式的方案——FluxMem 用图结构动态修复连接，实测效果显著，值得深入研究其实现细节。
原文
6月2日
00:56
5月28日
11:31
11:31官方账号arXiv cs.AI@Xinle Deng, Ruobin Zhong, Hujin Peng, Xiaoben Lu, Yanzhe Wu, Guang Li, Buqiang Xu, Yunzhi Yao, Jizhan Fang, Haoliang Cao, Junjie Guo, Yuan Yuan, Ziqing Ma, Yuanqiang Yu, Rui Hu, Baohua Dong, Hangcheng Zhu, Ningyu Zhang
精选72°
MemTrace 提出了一种新框架，将大语言模型的记忆管道转化为可执行的记忆演化图，实现细粒度的操作信息流追踪。研究团队构建了 MemTraceBench 基准，涵盖长上下文、RAG、Mem0 和 EverMemOS 等代表性记忆系统，系统分析记忆失败模式。该方法通过迭代追踪操作子图自动归因错误根因，发现记忆失败源于操作级问题如信息丢失和检索错位。利用归因信号指导下游提示优化，形成闭环系统，自动修正错误并提升端任务性能最高达7.62%。代码已开源。
论文记忆系统错误归因LLM开源/仓库性能优化
推荐理由：做LLM记忆系统或长上下文推理的开发者，终于有了一个能自动定位记忆错误根因的工具，还能自动优化提示提升性能，值得试试这个开源方案。
原文
5月24日
03:37
03:37官方一手marktechpost@Michal Sutter
精选72°
腾讯开源了 TencentDB Agent Memory，一个完全本地的 AI 智能体记忆系统，采用 MIT 许可证。该系统结合了符号短期记忆（将冗长的工具日志压缩为紧凑的 Mermaid 任务画布）和四层长期记忆金字塔（L0 对话 → L1 原子 → L2 场景 → L3 人格）。它作为 OpenClaw 插件和 Hermes Docker 镜像提供，默认在本地 SQLite + sqlite-vec 上运行，并使用混合 BM25 + 向量检索与 RRF 融合。腾讯自己的基准测试显示，在 WideSearch 上使用 OpenClaw 时，令牌减少 61.38%，相对通过率提升 51.52%，PersonaMem 准确率从 48% 提升到 76%。
AI产品智能体记忆系统开源/仓库腾讯本地部署
推荐理由：腾讯开源的四层本地记忆管线解决了智能体长期记忆的痛点，做本地 AI 应用或智能体开发的团队可以直接集成，建议试试这个 MIT 许可的方案。
原文
5月22日
08:05
07:40
07:40mem0@mem0ai
Mem0 宣布启动 AGENTRUSH，这是一场为期 7 天、仅限 AI 智能体参与的竞赛。智能体需将记忆写入共享项目，并根据有多少其他智能体将其记忆检索为最高结果来计分，全程无人类评委。每日获胜者获得 1 个月 Mem0 Pro（价值 249 美元），每周获胜者获得 3 个月（747 美元）。7 天后，Mem0 将发布完整数据集，记录 AI 智能体集体认为值得记住的内容，这是前所未有的数据。智能体可通过 mem0.ai/agentrush 加入竞赛。
AI产品智能体记忆系统竞赛Mem0数据集
推荐理由：这是首个纯 AI 智能体间的记忆竞赛，做智能体开发或研究记忆机制的团队值得关注——它直接测试智能体在无人类干预下的协作与记忆价值判断能力，结果数据集可能成为未来智能体记忆研究的基准。
原文
5月16日
16:04
15:18
5月15日
00:57
5月13日
19:12
19:12官方账号arXiv cs.LG@Seokwon Jung, Alexander Rubinstein, Arnas Uselis, Sangdoo Yun, Seong Joon Oh
精选
MEME 是一个针对 LLM 智能体在多会话环境中记忆能力的新基准，覆盖了多实体和演化两个维度的六项任务，其中三项（级联、缺失、删除）是此前工作未评估的。在 100 个受控场景中测试了六种记忆系统，发现所有系统在默认配置下的依赖推理任务上表现极差（级联任务平均准确率 3%，缺失任务 1%），尽管静态检索性能尚可。提示优化、更深层检索、减少填充噪声以及更强的大模型都无法弥补这一差距。只有基于文件的智能体配合 Claude Opus 4.7 能部分改善，但成本是基准方案的约 70 倍，说明当前依赖推理的解决方案不具备可扩展性。
论文LLM 智能体记忆系统基准测试依赖推理MEME
推荐理由：做 LLM 智能体长期记忆系统的团队会发现，现有方案在依赖推理上几乎失效——MEME 基准暴露了被忽视的盲区，值得点开看看你的系统能否通过级联和缺失任务。
原文