經驗壓縮譜：統一LLM代理的記憶、技能與規則
提出經驗壓縮譜框架，將記憶、技能與規則定位於壓縮軸上（記憶5-20倍、技能50-500倍、規則1000倍以上），以有效管理LLM代理的經驗。對1,136篇參考文獻的引用分析顯示跨社群引用率低於1%，20多個系統固定壓縮等級，缺少自適應跨層級壓縮。強調評估、轉移性與知識生命週期管理的缺口。
Search
Tag: #agent-memory26 results
記憶價值：代理記憶治理
這篇 arXiv 論文提出記憶價值 (MW)，一種每個記憶的輕量級雙計數器指標，用於追蹤代理系統中與任務成功或失敗的共現頻率。它在理論上收斂至條件成功機率，並在實證上與真實效用呈現強相關 (rho=0.89)。此方法可實現陳舊偵測、擷取抑制與廢棄，負擔極低。
記憶如代謝：伴侶LLM知識系統
這篇arXiv論文提出「記憶如代謝」，一種伴侶知識系統設計，能鏡射使用者知識並彌補如固化等認知失效。五項核心運作—TRIAGE、DECAY、CONTEXTUALIZE、CONSOLIDATE、AUDIT—由記憶重力與少數假說保留支持。此框架針對2026年代理記憶系統景觀中單使用者LLM wiki的治理。
🔬
MemAware：RAG 在隱含代理記憶失效
MemAware 基準測試評估 AI 代理在無關鍵字匹配下擷取 900 隱含過去脈絡問題，涵蓋易、中、難三級。RAG 系統搭配 BM25 + 向量搜尋得分易 6.0%、中 3.7%，但難僅 0.7%—不如無記憶。GitHub 提供資料集與開源測試架構。
CraniMem：腦啟發代理記憶系統
CraniMem 是一種受神經認知啟發的閘控與界限多階段記憶系統，用於 LLM 代理在長時間工作流程中。它具備目標條件閘控、效用標記、情節緩衝區及知識圖譜，並透過整合機制確保穩定保留與抗干擾能力。在基準測試中優於 Vanilla RAG 與 Mem0；GitHub 與 PyPI 開源。
代理記憶11倍令牌縮減
結構化蒸餾將個人化AI代理對話歷史壓縮成緊湊檢索結構，每交換從371令牌減至38令牌，實現11倍縮減。在14k交換評估中，保留96%逐字召回率，跨層搜尋超越基準。開源實作發布。
Antaris Suite 3.0：零依賴代理基礎設施
Antaris Suite 3.0 是一套免費開源的六個 Python 套件，提供零外部依賴的 AI 代理基礎設施，涵蓋記憶、安全、路由與上下文管理。它使用本地分片 JSONL 儲存，搭配 BM25 搜尋，可在 20k+ 記憶中實現次秒級召回。原生 OpenClaw 外掛可無需修改程式碼即整合。
調查：LLM代理記憶機制演進
這篇arXiv調查提出LLM代理記憶的三階段演進框架：儲存（軌跡保存）、反思（軌跡精煉）和經驗（軌跡抽象）。它分析了長程一致性、動態環境和持續學習等核心驅動因素。特別強調經驗階段的前瞻探索和跨軌跡抽象機制。
Anthropic 推出 Dreams 給 Claude 代理
Anthropic 推出 Dreams，這是 Claude 管理代理的新功能。夢想功能會檢視過去工作階段以重組代理記憶。它包含設定任務標準的成果，以及用於複雜任務的多代理協調。
🔬
記憶體基準：Mem0 49%、Zep 340 倍 Token
基準顯示 Mem0 回憶率 49%（不如擲幣），token 低；Zep 63.8% 但 340 倍 token；Letta 83.2% 透過分頁。核心問題：代理無法有效遺忘，囤積或抹除記憶。呼籲主動策展模擬人類遺忘曲線。