记忆系统相关 AI 资讯

6月4日

02:12

Weaviate@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 Weaviate

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

Geek@geekbb

QMAI 是一款专为长篇小说创作设计的记忆型 AI 写作桌面系统，旨在解决 AI 写作中常见的遗忘前文、人设崩坏和时间线混乱等问题。该系统通过内置的记忆机制，能够持续跟踪故事上下文，确保角色设定和情节逻辑的一致性。对于需要创作复杂长篇故事的作者，QMAI 提供了一种更可靠的 AI 辅助写作方案。项目已在 GitHub 开源，开发者可以自行部署或参与改进。

AI产品 AI写作长篇小说记忆系统

推荐理由：长篇小说创作者终于有了能记住前文的 AI 工具——QMAI 通过记忆机制解决人设崩坏和时间线混乱，写长篇的可以直接去 GitHub 试试。

原文

10:14

rohanpaul_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

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

官方一手marktechpost@Michal Sutter

精选

Memory OS 是一个基于 Hermes Agent 的开源项目，通过六层记忆架构、门控检索和 Wiki 功能，为智能体添加本地持久记忆。该项目解决了智能体缺乏长期记忆的痛点，使 AI 能跨会话保持上下文。六层结构包括工作记忆、情景记忆、语义记忆等，支持高效检索和更新。开发者可直接集成，提升智能体的连续性和个性化能力。

AI产品智能体开源/仓库记忆系统

推荐理由：做智能体开发的团队终于有了开箱即用的记忆方案——Memory OS 的六层架构解决了长期记忆缺失的痛点，建议做对话系统或个性化助手的开发者直接集成试试。

原文

5月28日

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

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

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

事件专题

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

Qdrant@qdrant_engine

Qdrant 宣布将于6月11日在 The Midway 举办 Vector Space Day 活动，并公布了部分演讲嘉宾及主题。演讲涵盖持续学习与记忆、Agent 技能文件限制、大规模扩展、上下文图、文档处理以及视频智能体等方向。活动为全天单轨技术内容，聚焦搜索与 AI 检索、智能体与记忆、边缘与机器人 AI。开发者可通过 luma.com/vsd-sf 购票参与。

行业向量搜索智能体记忆系统

推荐理由：这场活动汇聚了 Mem0、Google DeepMind、Neo4j、LlamaIndex 等一线团队，覆盖 Agent 记忆、上下文图、视频智能体等前沿话题，做搜索和 AI 检索的开发者值得关注。

原文

07:40

mem0@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

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

mem0@mem0ai

Mem0 发布了更新后的 token 高效记忆算法，默认开启时间推理（Temporal Reasoning），新项目无需迁移即可使用。记忆衰减（Memory Decay）功能可通过仪表盘或 SDK 启用。该更新旨在提升 AI 记忆系统的上下文相关性和时效性，对构建长期记忆的智能体开发者尤为重要。API 保持不变，无需迁移，开发者可免费获取 API 密钥立即体验。

AI产品 Mem0 记忆系统时间推理

推荐理由：做智能体或长期记忆系统的开发者，Mem0 这次更新直接解决了记忆时效性问题，默认开启时间推理意味着更精准的上下文召回，建议直接拿免费 API 试试。

原文

15:18

mem0@mem0ai

精选

Mem0 发布了四月算法更新，引入了单次提取和分层检索机制，显著提升了记忆提取效率并降低了全上下文 token 成本。新算法包含时间推理功能，为每条记忆赋予时间戳，记录事件发生时间、是否持续或已完成、时间精度及记忆类型。同时增加了记忆衰减机制，基于时效性进行排序，确保旧记忆不会主导当前查询结果。这些改进使检索更具时间感知能力，能准确反映信息的变化和当前有效性。

AI产品记忆系统 Mem0 时间推理

推荐理由：做 AI 记忆系统和长期上下文管理的开发者，这个算法更新直接解决了记忆时效性和检索效率的痛点，值得关注并尝试集成。

原文

5月15日

00:57

berryxia@berryxia

腾讯AI团队经过6个月研发，开源了一套Agent记忆系统，针对长会话中上下文丢失问题提出三招解决方案：实时压缩过期上下文（token消耗降低61%）、用Mermaid语法生成结构化任务地图（减少30多步复杂流程中的丢轨概率）、建立Persona记忆（人格一致性从48%提升至76%）。这套系统已在GitHub开源，旨在解决Agent记忆的核心难题——让模型在正确时间用正确方式想起正确信息。

AI产品智能体记忆系统开源/仓库

推荐理由：做Agent开发的团队终于有了开箱即用的记忆方案，不用再靠堆token硬扛长上下文——腾讯这套系统直接开源，建议立刻去试。

原文

5月13日

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

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