AITOP

记忆系统

共 52 条相关 AI 资讯
8月21日
00:10
8月20日
23:53
8月13日
18:05
17:52
17:52AI Engineer@aiDotEngineer
精选
在记忆与持续学习专场，演讲者举例称 ChatGPT 认为 Shlok Khemani 在 2025 年去过土耳其，但他从未去，模型只是读过他犹豫要不要去的对话，无法识别记录冲突。在首个真实持续学习基准上，普通上下文学习击败了专用记忆系统。将策略自蒸馏扩展到 100 次工具调用后，教师模型的频繁纠正会让模型退化成一个劲说“maybe”。另一个实验里，教师不改动工具调用 token，只重塑调用前的推理，就把智能体任务完成率从 22% 提到 60%。演讲者还提醒，智能体不擅长发现异常，最好直接让它调查你已经发现的异常。
论文ChatGPT持续学习上下文学习
推荐理由：记忆专场金句：ChatGPT 记错旅行，上下文学习赢过专用记忆，改推理就让任务完成率从22%提到60%。
原文
8月4日
11:53
11:53官方账号arXiv cs.LG@Yi Yang, Zhennan Chen, Yihong Zhuang, Tiehan Fan, Yinan Chen, Jian Li, Jian Yang, Ying Tai
RoMeRL将轨迹索引效用空间表示为按结果极性和记忆动态分解的固定维度任务记忆状态。在ALFWorld和LifelongAgentBench上，RoMeRL将Cold-Q比率降低80.0%，反馈密度提高约6.0倍。同时维护记忆大小减少84.4%，LLM调用减少21.1%。论文从理论上证明降阶参数化能增加每个效用坐标的平均反馈，代码已开源。
论文RoMeRL智能体记忆系统
推荐理由：这论文把智能体记忆里反馈分散和奖励污染的问题一起解决了，Cold-Q降了80%，记忆体积缩了84%，效果很硬核。
原文
7月31日
02:08
00:47
7月30日
16:12
10:38
10:38官方账号arXiv cs.AI@Lingyang Zeng, Guangze Chen, Kaichen Yu, Zhicheng Pan, Siyang Weng, Zirui Hu, Xiangyun Du, Hailin He, Rong Zhang, Chengcheng Yang, Kai Huang, Xuan Zhou
Setoka基准基于认知与人格心理学理论，定义了用户理解的四个层次：语义记忆、情景记忆、行为模式和人格特质。该基准通过心理测量学流程合成异构用户数据与查询，用于评估记忆增强型个性化智能体。研究评估了3种语言模型结合5种记忆系统在10个合成用户上的表现，发现现有系统在语义记忆检索上表现良好，但在情景记忆上性能下降；在处理行为模式和人格特质理解任务时，由于需要整合碎片化信息，性能进一步下滑。
AI模型Setoka智能体用户理解
推荐理由：如果你想了解现有AI智能体到底能多深地理解用户，这个新基准Setoka用心理学理论和方法测出了它们的短板——不只是翻聊天记录，还要推断行为和性格。
原文
09:43
09:43官方账号arXiv cs.LG@Peter Li, Prashant Pandey
InferScale 提出一种 GPU 原生的 KV 缓存注入方案，将每个记忆事实的 KV 表示预计算并存储在 GPU 上，服务时直接注入 vLLM 的页式缓存，避免重复预填。他们引入 Chunked RoPE 解决动态组装记忆的位置编码问题，并用 Context-Window Encoding 弥补独立编码缺失的跨事实上下文。在 LoCoMo 基准上，k=50 时 TTFT 降低 72-79%（3.6-4.8x），吞吐量提升 3.7-4.5x，准确率（60.3%）接近带服务时重计算的 Mem0（63.3%）。无需修改引擎或微调模型即可集成到 vLLM。
论文InferScalevLLMKV缓存
推荐理由：看完这篇论文，你就明白怎么让 LLM 在有多层记忆时不再反复重算——InferScale 直接把 KV 缓存存好，做到检索量再大 TTFT 基本不变。
原文
7月29日
18:32
7月22日
23:36
23:36Weaviate@weaviate_io
精选
Weaviate 推出 Engram，一种专为多智能体管道设计的“发射后不管”记忆系统。它通过三个步骤（提取、转换、提交）在后台异步处理记忆，避免阻塞和重复。在多智能体 RAG 示例中，搜索代理错误地使用文本搜索而不是类型过滤，Engram 将分散在不同代理和上下文窗口中的任务目标、动作和反馈合并为一条可操作记忆。记忆支持项目范围或用户范围，通过多租户保持隔离。系统使得智能体能从经验中持续学习，无需手动干预。
AI产品WeaviateEngram多智能体
推荐理由：Weaviate 的 Engram 让多智能体系统能自动从经验中学习，合并分散的反馈，不用手动处理重复和冲突。
原文
7月21日
18:18
13:17
7月17日
09:34
09:34官方一手arXiv: Anthropic@Soham Gadgil, David Alexander, Sai Sunku, Franziska Roesner
该论文研究了基于记忆的智能体系统中的提示注入攻击风险，评估了Anthropic Claude Code和OpenAI Codex两个系统，以及Claude Haiku 4.5、Claude Opus 4.7、GPT-5.2和GPT-5.5四个模型。实验发现，攻击者难以让代理用不受信任的外部内容覆盖自身记忆文件，但已经植入记忆的有效载荷可成功影响当前和未来会话。攻击成功率和载荷持久性在不同系统、模型和攻击目标间差异显著。研究揭示持久记忆改变了提示注入的威胁模型，需设计保护记忆更新的防御机制。
论文Claude CodeOpenAI Codex提示注入
事件专题
推荐理由：这篇论文用Claude Code和OpenAI Codex实测了记忆注入攻击，发现一旦恶意指令写入记忆，后续会话都危险，搞AI安全的一定要看看。
原文
06:15
7月15日
15:59
07:40
7月12日
04:40
6月30日
12:48
6月25日
00:10
6月22日
07:15
07:15官方一手marktechpost@Asif Razzaq
精选
该指南介绍了7种智能体记忆类型：工作记忆、语义记忆、情节记忆、程序记忆、检索记忆、参数记忆和前瞻记忆。每种记忆覆盖存储内容、存储位置和构建时机。包含对比表格和可运行的Python代码示例。
技巧智能体记忆系统Python
推荐理由：想给自己的智能体加上记忆？这篇把7种记忆类型讲得特别清楚，还给了Python代码，直接上手复制。
原文
6月19日
09:07
6月12日
13:14
13:14官方账号Physical Intelligence@physical_int
精选
Physical Intelligence 为其机器人模型开发了一套记忆系统，结合了短期视觉记忆和长期语义记忆。该系统使机器人能够执行复杂的长任务，如清理厨房或从头制作烤奶酪三明治。这一突破解决了机器人长期任务执行中的记忆瓶颈，提升了自主性和实用性。
AI模型机器人记忆系统Physical Intelligence
推荐理由：机器人团队终于有了实用的记忆方案——短期视觉+长期语义让机器人能完成厨房清理、做三明治等长任务，做机器人开发的建议点开看看。
原文
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Weaviate
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
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
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
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
事件专题
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
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
事件专题
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 V3
事件专题
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Dreaming
事件专题
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
02:02官方账号OpenAI@OpenAI (@OpenAI)
OpenAI 宣布为 ChatGPT 推出新的记忆系统，用户可以通过记忆摘要查看和引导 ChatGPT 记住的内容。这一更新提供了更高的可见性和控制力，让用户更清楚上下文如何被使用。用户现在可以主动管理记忆，确保隐私和个性化体验的平衡。该功能旨在提升对话的连贯性和相关性，同时增强用户对数据的掌控。
AI产品ChatGPT记忆系统隐私控制
事件专题
推荐理由：对于频繁使用 ChatGPT 的用户，这个记忆系统解决了隐私和个性化之间的痛点，让你能直接管理 AI 记住的内容，建议试试看如何调整记忆以优化对话体验。
原文
02:01
01:30
01:12
01:12官方账号Decoder@Matthias Bastian
OpenAI 更新了 ChatGPT 的“记忆”系统，现在能从对话中构建连贯的用户档案，而不是保存零散的要点。系统会按工作、爱好和旅行偏好等类别整理信息，形成叙事性档案。OpenAI 表示，信息保持最新的成功率从去年的 52.2% 提升到了 75.1%。这一改进让 ChatGPT 能更准确地记住用户偏好，提供更个性化的服务。
AI产品ChatGPT记忆系统用户档案
事件专题
推荐理由：ChatGPT 用户终于不用再重复告诉 AI 自己的喜好了——新记忆系统能自动整理成结构化档案，建议经常用 ChatGPT 的人点开看看，体验更贴心的对话。
原文
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
事件专题
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