memory

AI记忆（Memory）正从简单的对话历史存储向结构化、可编辑、多层级的方向演进，成为提升智能体自主性与推理能力的关键组件。近期进展集中在三个方向：一是记忆机制的轻量化替代与效率提升，如用Skill+Script替代传统Memory工作流以减少token消耗（AI Agent token消耗大？用Skill+Script替代Memory工作流）；二是记忆能力的理论基础与模型创新，例如LoRA微调中的Parametric Memory Law揭示了参数记忆与任务性能的定量关系（LoRA 如何记忆？Parametric Memory Law 揭示微调记忆的定量规律），RiM通过内存块结构解锁大模型的潜在推理能力（RiM：用内存块解锁大模型潜在推理能力），以及Attention-State Memory实现无需训练的长上下文生成（Attention-State Memory：无训练长上下文生成新方法）；三是产品与开源实践加速落地，Anthropic推出可编辑、可审计的文件式记忆（Anthropic：Claude 将上线“文件式记忆”），腾讯开源四层本地记忆管线（腾讯开源 TencentDB Agent Memory），MemOS 2.0实现执行即学习的记忆升级（MemOS 2.0 开源项目更新），LangChain推出统一管理Prompt、Memory与Subagent的Context Hub（LangChain 推出 Context Hub），以及Memory Store为团队打造共享公司大脑（Memory Store 发布）。当前焦点在于：如何平衡记忆的粒度、持久性与隐私可控性，以及记忆系统能否真正成为智能体的“第二大脑”，而非简单的数据缓存。未来需观察标准化记忆接口的出现，以及模型原生记忆能力（如Transformer架构改进）对当前外部记忆方案的冲击。