LoCoMo
长期对话广度回归能否在一段长期关系史中找到正确证据，并完成事实、多跳、时间与拒答？
- 规模
- 1,986 道 QA · 10 段长期对话
- 评测单元
- 整段 conversation
- 上下文 / 覆盖
- 中位 17.5K token
- 评分方式
- 开放回答 + evidence
主要压力来自长期关系中的多跳、时间定位和错误归因。
0193
序章 · Harness、Context 与 Memory75 SEC
记忆蓝图：LLM / Agent / AI Memory 三层边界
LLM Memory 底层计算内核 → Agent Memory 中层感知-规划-行动 → AI Memory 上层终身演化
0293
序章 · Harness、Context 与 Memory65 SEC
Harness Engineering：从输入设计到系统执行
Prompt 优化单次输入，Context 组织多步工作集，Harness 控制整个系统如何执行
0393
序章 · Harness、Context 与 Memory75 SEC
Harness 中的 Context 与 Memory
Context 决定本次执行看什么，Memory 让状态与经验跨步骤、会话和任务持续作用
0493
综述与研究地图 01 · Cognitive Architectures for Language Agents65 SEC
CoALA：用认知架构描述语言智能体
论文以 Agent 的状态、动作与控制语言为主轴，记忆产品分类只是其中一部分
Figure 1｜LLM 从文本输入输出扩展到内外双循环
A 只保留文本输入输出；B 加入观察、动作与环境反馈；C 再加入学习、推理和内部状态，系统边界由单次生成逐步扩展为内外双循环。
Figure 4｜CoALA 记忆动作与决策循环
决策程序把程序、语义、情景与工作记忆接到 LLM 和外部环境；Prompt、解析、检索与学习属于可执行过程，使记忆真正参与动作选择。
0593
综述与研究地图 01 · Cognitive Architectures for Language Agents55 SEC
四类记忆对应四类功能问题
工作、情景、语义与程序记忆共同构成功能坐标，可由一种或多种物理载体承载
Figure 4｜CoALA 记忆动作与决策循环
Working 维持当前状态，Episodic 记录经历，Semantic 承载世界知识，Procedural 则同时包含模型能力与 Agent 代码；四类描述功能，不绑定四套存储。
Figure 5｜CoALA 的 reasoning retrieval learning grounding 动作空间
内部侧由 Reasoning、Retrieval、Learning 读写工作与长期记忆，外部侧由 Grounding 对接对话、工具和物理环境；Planning 横跨两侧组织行动。
0693
综述与研究地图 01 · Cognitive Architectures for Language Agents55 SEC
内部动作、外部动作与决策循环
读取、更新与使用记忆共同进入 Agent 决策循环，并持续影响后续环境选择
Figure 3｜单次 LLM 调用固定链与环境反馈循环
从语言模型到语言智能体。A 是单次 LLM 调用：prompt construction 从 working memory 选模板并填变量，输出字符串被解析成一个或多个动作后执行。
Figure 4｜CoALA 记忆动作与决策循环
每轮先把新观察写入工作记忆，再由 retrieval 与 reasoning 生成、评估候选动作；选中的 learning 更新长期记忆，grounding 改变外部环境，随后进入下一轮。
0793
综述与研究地图 02 · A Survey on the Memory Mechanism of LLM-based Agents65 SEC
2024 综述：建立 Agent Memory 的工程坐标
论文从定义、必要性、实现与评测四个问题建立工程入口
0893
综述与研究地图 02 · A Survey on the Memory Mechanism of LLM-based Agents55 SEC
Sources—Forms—Operations 三元组
存了什么、以何存在、怎样操作必须分开讨论
0993
综述与研究地图 02 · A Survey on the Memory Mechanism of LLM-based Agents55 SEC
从写入、管理到读取的完整闭环
完整记忆机制由写入、反思、整合、更新、遗忘与读取共同构成
Figure 3｜Task—Trial—Step 交互与记忆读写管理闭环
(a) 将任务展开为多次 trial 与逐步环境反馈；(b) 显示读、写、管理三条路径，跨 trial 信息经虚线进入长期状态，再服务后续尝试。
Figure 4｜Agent Memory 的 Sources—Forms—Operations 总览
来源包括当前对话、既往任务经验与外部知识，记忆形式分为参数式与非参数式；完整操作链先写入，再经合并、反思或遗忘管理，最后按任务读取。
1093
综述与研究地图 03 · Memory for Large Language Models65 SEC
模型级记忆：从计算副产物到架构维度
记忆正从规模扩张的副产物变成可单独设计和组合的模型内资源
1193
综述与研究地图 03 · Memory for Large Language Models55 SEC
三轴分类：表示、更新动态与持久性
三轴组合回答记忆以何存在、如何更新以及保留多久
1293
综述与研究地图 03 · Memory for Large Language Models55 SEC
隐式记忆：历史状态随计算过程持续演化
三种机制分别保留细粒度 token、筛选有效历史和压缩长程状态
1393
综述与研究地图 03 · Memory for Large Language Models55 SEC
显式记忆：独立设计存储、寻址与更新接口
独立模块、键值条目和条件参数提供可寻址载体，专门的更新周期提供可塑性
1493
综述与研究地图 04 · Memory in the Age of AI Agents65 SEC
Memory in the Age：记忆成为主动能力层
Agent Memory 通过生成、管理与调用持续参与学习和行动
Figure 1｜Agent Memory 的 Forms—Functions—Dynamics 统一全景
按三轴交叉读取：Forms 描述载体，Functions 描述用途，Dynamics 描述形成、演化与调用；同一系统可同时占据多轴位置。
Figure 2｜Agent Memory 与 LLM Memory、RAG、Context Engineering 的边界
四类系统会共享 KV 复用、图检索等实现；Agent Memory 的判别点在于交互持续形成并更新认知状态，向量库只是可选实现之一。
1593
综述与研究地图 04 · Memory in the Age of AI Agents55 SEC
形成、演化与调用的主动闭环
主动记忆选择写入内容、重组经验，并按任务路由到合适的调用路径
1693
综述与研究地图 05 · Survey on AI Memory65 SEC
Survey on AI Memory：扩展记忆研究版图
论文以跨范式视角连接模型内知识、上下文、外部存储与 Agent 记忆
Figure 1｜AI Memory 综述的演化景观与内容路线图
路线图从认知与神经科学基础进入 4W 分类，再展开单体、多体记忆、评测、应用与未来方向；箭头仅编码综述叙事顺序，技术成熟度需要独立证据。
Figure 2｜LLM Memory、Agent Memory 与 AI Memory 的三层边界
底层 LLM Memory 承担权重与上下文中的即时计算，中层 Agent Memory 把状态接入感知—规划—行动闭环，上层 AI Memory 讨论跨系统与跨时间的认知演化。
1793
综述与研究地图 05 · Survey on AI Memory55 SEC
编码、存储、检索与更新
编码、存储、检索与更新共同塑造记忆能力，载体提供其中一类约束
1893
综述与研究地图 06 · Rethinking Memory Mechanisms of Foundation Agents65 SEC
Rethinking：从 LLM 扩展到 Foundation Agents
记忆研究对象扩展到文本、视觉、具身和多 Agent 的统一基础智能体
Figure 1｜基础智能体记忆系统的研究演进路线图
时间线用载体与主体双标签组织代表工作：研究从外部检索扩展到内部和混合载体，同时由用户画像逐步覆盖 Agent 自身经验与策略。
Figure 3｜218 篇样本在三维分类上的累计发表趋势
218 篇样本中，载体统计为 185 篇外部、33 篇内部；主体统计为 72 篇用户中心、146 篇 Agent 中心。两组终点都守恒到样本总数，并显示 2025 年明显加速。
1993
综述与研究地图 06 · Rethinking Memory Mechanisms of Foundation Agents55 SEC
按记忆对象与载体重新分类
内容语义和物理载体是两条独立设计轴
2093
综述与研究地图 06 · Rethinking Memory Mechanisms of Foundation Agents55 SEC
五操作链与控制策略
获取、存储、检索、更新和遗忘需要由提示、训练或策略共同控制
Figure 6｜单 Agent 五操作链与多 Agent 协同记忆机制
上半部以遗忘与保留为中心串联存储、读取、更新与压缩；下半部把同一操作链扩展到多 Agent 的共享架构、路由协议、隔离与冲突处理。
Figure 7｜提示、微调与强化学习的记忆管理策略
Prompting 用结构化指令控制记忆操作，Fine-Tuning 把行为内化到参数，RL 则按长程奖励学习取舍；三者对应由规则驱动到策略学习的控制权迁移。
2193
综述与研究地图 07 · Memory for Autonomous LLM Agents65 SEC
Autonomous LLM Agents：记忆接入行动闭环
时间线显示记忆从检索组件扩展为持续影响推理、行动与反馈的状态机制
2293
综述与研究地图 07 · Memory for Autonomous LLM Agents55 SEC
代表系统如何把记忆接入行动
记忆责任从提供上下文逐步扩展到反思、技能形成和操作策略
2393
综述与研究地图 08 · Anatomy of Agentic Memory65 SEC
Anatomy：分类之后继续做系统审计
论文在分类框架之外继续验证外部记忆的效果、可靠性与成本净值
2493
综述与研究地图 08 · Anatomy of Agentic Memory55 SEC
三项诊断：Saturation、Stability、Agency Tax
记忆系统要证明相对强基线的增益、写入可靠性和成本净值
Table 2｜五个记忆基准沿 Volume/Interaction Depth/Entity Diversity 三轴的结构化饱和风险
记忆基准的结构化饱和风险。基准基于内在统计而非模型性能分析；Saturation Risk 是对长上下文 LLM 能否通过直接 prompt 解决该基准的启发式估计。
Table 5｜七个系统的用户面延迟（T_read+T_gen）与离线构建成本
结构化维护会同时进入在线与离线成本：MemoryOS 的读取把总延迟推到 32.372 秒，AMem 构建需 15 小时，Nemori 构建消耗 7,044k token。
2593
综述与研究地图 09 · Are We Ready For An Agent-Native Memory System?65 SEC
Agent-Native Memory：把记忆当持续运行的数据系统
论文从黑盒问答分数转向可分解的数据管理与系统实证
2693
综述与研究地图 09 · Are We Ready For An Agent-Native Memory System?55 SEC
写入链：结构化发生在检索之前
原始序列可直接拼接，也可抽取为自由文本事实或 Schema 记录；写入选择决定后续可恢复的信息边界
2793
综述与研究地图 09 · Are We Ready For An Agent-Native Memory System?55 SEC
读取链：召回是一段可编排的候选生成过程
原生注意力、稠密检索、子图遍历与 LLM 路由可组合成多阶段检索计划
2893
综述与研究地图 09 · Are We Ready For An Agent-Native Memory System?55 SEC
维护链：记忆对象在后台持续更新状态
版本失效、容量淘汰、语义合并与参数优化共同决定记录如何保留、压缩与演化
2993
综述与研究地图 10 · AI Meets Brain: A Unified Survey on Memory Systems from Cognitive Neuroscience to Autonomous Agents65 SEC
AI Meets Brain：从认知神经科学到自主智能体记忆
跨学科综述把脑科学记忆机制与 LLM/Agent 记忆工程逐层对齐，提供功能启发与证据分层
3093
综述与研究地图 10 · AI Meets Brain: A Unified Survey on Memory Systems from Cognitive Neuroscience to Autonomous Agents55 SEC
性质 × 范围：两轴组合分类
Nature 区分 episodic 与 semantic，scope 区分 inside-trail 与 cross-trail；同一记忆可同时取得两轴标签
3193
综述与研究地图 10 · AI Meets Brain: A Unified Survey on Memory Systems from Cognitive Neuroscience to Autonomous Agents55 SEC
脑侧短期/长期存储与 Agent 存储位置/格式
脑侧区分感觉皮层/额顶网络与海马/新皮层；Agent 侧区分上下文窗口与记忆库，存储格式含文本、图、参数与隐表示
Figure 3｜认知神经科学中的短期与长期记忆存储概览
感觉输入先编码到短期系统，再向海马—新皮层长期系统转存，并在任务时取回为上下文或先验；位置与格式是两条独立设计轴。
Figure 5｜Agent Memory 管理分类闭环总览
原始交互先形成扁平、层级或生成式记忆，随后经更新与冲突处理维持状态，再由语义、结构或模型路由检索；应用结果回到后续交互，形成管理闭环。
3293
Benchmark 地图 · 先认基准再看结果85 SEC
LoCoMo、LongMemEval-S、PersonaMem-32K 与 AML 的分工
LoCoMo 覆盖长期关系任务，LongMemEval-S 施加长上下文压力，PersonaMem-32K 聚焦画像演化；AML 统一接口后做七维横评
具体数据集 · 分别诊断任务能力综合评测 · 统一接口横评
LongMemEval-S
长上下文规模压力能否在约 10 万 token 中处理事实更新、时间定位和跨会话证据？
- 规模
- 500 题 · 每题 38–62 sessions
- 评测单元
- 每题独立 haystack
- 上下文 / 覆盖
- 中位 103.2K token
- 评分方式
- rubric + LLM judge
主要压力来自海量干扰、知识更新和跨会话时间检索。
PersonaMem-32K
长期画像与偏好专项能否追踪偏好变化、解释原因，并把长期画像迁移到新的决策场景？
- 规模
- 589 题 · 20 个 personas
- 评测单元
- persona / shared context
- 上下文 / 覆盖
- 中位 25.7K token
- 评分方式
- 四选一 exact match
主要压力来自偏好演化、原因追溯、推荐和新场景泛化。
Agent Memory Leaderboard
统一协议与综合榜单同一 Add / Search 合同下，不同记忆系统的七维能力结构有什么差异？
- 规模
- 10+ 数据集 · 近 5,000 个问题
- 评测单元
- 统一 Add / Search 接口
- 上下文 / 覆盖
- 1,500+ histories / tasks
- 评分方式
- 统一 reader / judge · 0–100
能力剖面覆盖事实、推理、时间、治理、个性化、执行与安全。
3393
Benchmark 地图 · 先认基准再看结果85 SEC
LoCoMo：一段长期关系史，拆成五类记忆问题
能力面最广，适合回归；但 1,986 道题只来自 10 段独立长期对话
- 长期历史
同一人物关系跨多个 session 演化
- 证据定位
问题绑定一个或多个历史 evidence
- 开放问题
事实、多跳、时间、常识或对抗归因
- 答案出口
按证据回答；低置信度时走拒答
- 多跳 / 组合（映射推断）282 题
- 时间推理（映射推断）321 题
- 常识推断（映射推断）96 题
- 单跳事实（映射推断）841 题
- 对抗归因（映射推断）446 题
3493
Benchmark 地图 · 先认基准再看结果85 SEC
LongMemEval-S：每道题都是约 10 万 token 的独立 haystack
检索答案、知识更新、时间推理与问题级写入成本在同一压力面上验收
- 问题级 haystack
每题独立写入 38–62 个 session
- 状态变化
旧事实、更新事实与大量无关会话共存
- 目标问题
单会话、多会话、时间、更新或偏好
- 证据契约
answer_session_ids 指向应被召回的 session
- 多会话组合133 题
- 时间推理133 题
- 知识更新78 题
- 用户事实70 题
- 助手事实56 题
- 单会话偏好30 题
3593
Benchmark 地图 · 先认基准再看结果85 SEC
PersonaMem-32K：从记住偏好，走到解释变化与新场景决策
四选一让复跑稳定，但也要求把记忆能力与选项偏差分开解释
- 共享历史
同一 context 可服务多道 persona 问题
- 画像演化
偏好、事实及其变化原因散落在历史中
- 新场景
要求回忆、解释、推荐或迁移到新情境
- 四个选项
选择唯一答案并做 exact match
- 偏好演化139 题
- 用户共享事实129 题
- 变化原因99 题
- 创意建议93 题
- 新场景泛化57 题
- 偏好推荐55 题
- 零散事实17 题
3693
Benchmark 地图 · 先认基准再看结果100 SEC
AML：覆盖多个数据集的一份统一评测合同
参评系统暴露 Add / Search；平台统一回答、评审、聚合与任务编排
- 历史进入
平台把历史逐条送入参评系统 Add
- 问题到来
平台调用 Search 取回候选记忆
- 统一回答
平台固定 reader / prompt 生成答案
- 统一评分
平台评审、聚合并形成能力剖面
10+ 数据集1,500+ histories / tasks近 5,000 问题
能否找回用户明确说过的事实与细节？
能否把分散记忆连接成关系链与结论？
能否理解先后、持续、频率与事件变化？
能否更新、覆盖、遗忘并处理冲突信息？
能否依据长期偏好与处境给出合宜回应？
能否持续遵循用户规则、约束和工作流程？
能否拒绝臆测、避免越权和隐私泄露？
3793
Benchmark 地图 · 先认基准再看结果95 SEC
AML 最新榜单：总分接近，七维能力结构各有侧重
前五仅差 0.723 分；选型同时读取总分与七维热图
ACADEMIC · TEXTUALpublic_suite_v3
数据 2026-08-12 · 核对 2026-08-20
- 01InvMemBalanced45.057
- 02RefindVerbose44.974
- 03ActiveMemoryIndexBalanced44.841
- 04Hybrid Search v2.0Verbose44.573
- 05ChronoHybridMemBalanced44.334
#1–#2：0.083 分 · Top 5 跨度：0.723 分
| 系统 | 事实召回 | 组合推理 | 时间推理 | 治理更新 | 个性化 | 执行 | 安全 |
|---|---|---|---|---|---|---|---|
| InvMem | 56.8 | 46.0 | 21.8 | 32.6 | 53.1 | 30.8 | 30.3 |
| Refind | 57.7 | 45.3 | 19.6 | 33.3 | 52.8 | 28.3 | 30.3 |
| ActiveMemoryIndex | 56.9 | 45.0 | 18.4 | 38.0 | 54.6 | 29.7 | 32.9 |
| Hybrid Search v2.0 | 57.9 | 46.8 | 20.9 | 32.1 | 52.6 | 26.7 | 30.3 |
| ChronoHybridMem | 55.7 | 44.4 | 23.3 | 32.9 | 57.1 | 28.3 | 35.0 |
低高
最高单项：Hybrid Search v2.0 事实召回 57.9；ChronoHybridMem 个性化 57.1、安全 35.0。
3893
论文结果 · 具体方案在什么条件下有效65 SEC
Memory in the LLM Era (Ours)：LongMemEval 结果与 LoCoMo 成本权衡
层级方法整体靠前，最优方法随主干模型变化；效果还需与上下文 token 成本一起判断
Table 3｜LONGMEMEVAL：10 种方法的分项与 Overall 结果
7B 的 Overall F1 由 MemTree 以 36.92 领先；72B 则由 MemoryOS 以 46.04 领先，层级与树结构方法整体靠前。
图例：紫色为最佳，橙色为次佳。
Figure 6｜LOCOMO：F1 与平均 token 成本
MemOS、MemTree 取得较高 F1，同时消耗更多 token；MemoryOS 与 Zep 以中等 token 成本取得较高 F1，呈现更好的效果—成本折中。
3993
论文结果 · 具体方案在什么条件下有效65 SEC
NapMem：主结果与记忆访问消融
NapMem-9B 经 RL 后三项均值为 62.74；导航、工具集、层级记忆与训练共同贡献增益
Table 1｜记忆密集任务主结果
NapMem-9B 经 RL 后三项得分为 59.92、80.33、47.97，平均 62.74；高于未训练的 397B 版本 59.85，也高于 Mem0 的 59.25。
Table 4｜记忆访问设计消融
完整系统平均 62.74；移除 RL、主动导航、完整工具集或高层 topic/profile 后分别降至 48.39、54.08、44.93 与 54.11。
4093
论文结果 · 具体方案在什么条件下有效65 SEC
MemVerse：LoCoMo 与 LongMemEval 双协议结果
MemVerse 在四种底座上的 LoCoMo Overall F1 为 33.8–60.0，并在 LongMemEval 取得 89.8 Recall@5 与 68.4 Accuracy
Table 1｜LoCoMo 上四类问题与四种 backbone 的 F1 对比
在 Qwen2.5-7B、GPT-4o-mini、GPT-5.1 与 GPT-3.5 四组底座上，MemVerse 的 LoCoMo Overall F1 分别为 33.8、43.4、43.0 与 60.0。
Table 2｜LongMemEval 上记忆方法的 Recall@5 与 Accuracy 对比
MemVerse 的 Recall@5 为 89.8，超过 QRRetriever 80.4 与 RAG 62.4；最终 Accuracy 为 68.4，高于 QRRetriever 66.7 与 Mem0 65.0。
4193
论文结果 · 具体方案在什么条件下有效65 SEC
InfMem：超长 RULER 主结果
InfMem+RL 在 Qwen3-4B 与 Qwen2.5-7B 上分别达到 66.40 与 60.30 平均分，并在 896K 档保持优势
4293
论文结果 · 具体方案在什么条件下有效65 SEC
AutoMem：优化过程与长程游戏主结果
记忆脚手架优化带来 1.89×–3.74× 增益，操作训练再把三种环境的 progression 提升到 51.36、30.00 与 1.85
Figure 1｜记忆技能优化曲线
三条曲线都先在记忆脚手架迭代中跃升，再由记忆训练继续抬高；收敛版本分别是 Crafter v5、MiniHack v4、NetHack v2，说明结构与熟练度形成互补增益。
Table 1｜长程游戏主结果
AutoMem 32B 从 v0 的 25.00/7.50/0.42，经记忆脚手架优化到 47.27/27.50/1.57，再经记忆训练达到 51.36/30.00/1.85。
4393
论文结果 · 具体方案在什么条件下有效65 SEC
MetaMem：LongMemEval 主结果与元记忆演化
MetaMem 在 Qwen 与 Llama 上分别较 LightMem 提升 4.40 与 2.91 个百分点；通用策略占比上升，但 Knowledge Update 后段回落
Table 1｜LongMemEval 总体性能：6 类任务×2 底座
在六类 LongMemEval 任务上，MetaMem 的 Qwen 平均准确率为 71.90%，Llama 为 69.08%；对应 LightMem 分别为 67.50% 与 66.17%。
Figure 4｜演化中的元记忆单元类别组成与子任务准确率趋势
(a) 通用元记忆占比从约 65% 升至 80% 以上；(b) 子任务准确率早期同步上升，而 Knowledge Update 在第 5 轮后下降，说明规则抽象与任务性能呈阶段性分化。
4493
论文结果 · 具体方案在什么条件下有效65 SEC
Reflexion：决策、推理与编程三类任务结果
Reflexion 在 ALFWorld、HotPotQA 与 HumanEval 上均报告改善；曲线同时揭示反思文本比单纯回看轨迹更关键
Figure 3｜AlfWorld 学习曲线与失败归因
(a) ReAct 在第 6–7 次尝试后停在约 97/134，启发式 Reflexion 持续升至 130/134；(b) 反思同时降低幻觉与低效规划两类失败。
Figure 4｜HotPotQA 学习曲线与消融
(a) Reflexion 同时提升 ReAct 与 CoT；(b) 给定正确答案对应的上下文后，准确率仍由约 0.6 升至 0.8；(c) 仅回看轨迹的 episodic memory（EPM）收益有限，加入第一人称反思文本后才形成主要增量。
4593
论文结果 · 具体方案在什么条件下有效65 SEC
Generative Agents：受控消融与两日仿真
完整架构在特定可信度评估中优于逐步移除反思、规划与记忆的变体
4693
论文结果 · 具体方案在什么条件下有效65 SEC
ExpeL：三个主域与迁移实验
论文在 HotpotQA、ALFWorld 和 WebShop 上报告同向改进，并测试 HotpotQA 到 FEVER 的规则迁移
4793
论文结果 · 具体方案在什么条件下有效65 SEC
MemoryBear：LOCOMO 风格基准与效率报告
论文在四类长期问答中报告 Judge 得分优势，同时给出 token 和尾延迟对照
4893
具体方案 · 核心机制：上下文与工作状态管理主分类 · 非排他70 SEC
Claude Code：规则、Auto Memory 与 Compaction 的分层生命周期
Claude Code 把显式规则、Auto Memory、会话历史与 compaction 分成不同生命周期；extractor/Dream 归入旧源码历史能力。
4993
具体方案 · 核心机制：上下文与工作状态管理主分类 · 非排他70 SEC
Codex：线程续航与跨线程长期记忆分层
Codex 把同一 thread 的 rollout/compaction 续航与跨 thread 的 Phase 1/Phase 2 长期记忆编译严格分开。
5093
具体方案 · 核心机制：上下文与工作状态管理主分类 · 非排他55 SEC
InfMem：PreThink–Retrieve–Write 有界记忆与早停
PreThink 控制器决策 retrieve/write/stop，文档内 BM25 恢复跨段证据，evidence-aware 联合压缩保界，γ 衰减早停奖励进入 GRPO。
5193
具体方案 · 核心机制：上下文与工作状态管理主分类 · 非排他55 SEC
Letta：AgentState 与活动上下文编译
Letta 围绕 AgentState 串联持久 blocks、活动消息投影、全量消息表与 archival passages，并在每次 provider request 前编译当前活动上下文。
5293
具体方案 · 核心机制：上下文与工作状态管理主分类 · 非排他55 SEC
Acontext：把上下文蒸馏成 AgentSkill 文件树
Acontext 把宿主上下文蒸馏为可维护的 AgentSkill 文件树，再通过按需读取与本地副本供宿主加载。
5393
具体方案 · 核心机制：上下文与工作状态管理主分类 · 非排他55 SEC
claude-mem：从宿主事件到可注入上下文
claude-mem 用宿主 hooks 汇集生命周期事件，经 worker 生成 observations/summaries，再由搜索编排器和 ContextBuilder 注入上下文。
5493
具体方案 · 核心机制：上下文与工作状态管理主分类 · 非排他55 SEC
agentmemory：自动观察、显式记忆与上下文编译
agentmemory 把自动 observe 与显式 remember 分开授权，从 state、vector、temporal graph 三类状态平面检索信息，再由 mem::context 编译并注入宿主上下文。
5593
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
Mem0：v2.0.20 ADD-only 写入与多信号检索
Mem0 v2.0.20 的默认主链是 ADD-only：先用有限历史与相似旧记忆辅助事实抽取，再把新事实写入可检索存储。
5693
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
TencentDB Agent Memory：L0 捕获、分层抽取与召回注入
TencentDB Agent Memory 用 checkpoint 捕获增量 turn，先写 L0 原对话，再逐层抽取、去重并在回答前临时注入。
5793
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
Hindsight：可追溯事实与异步综合观察
Hindsight 先保存可追溯 facts，再异步综合 observations；reflect 只读，只有显式操作才把结果固化为 mental model。
5893
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
M-flow：原始写入与记忆构建的两阶段管线
M-flow 先持久化原始内容，再构建可查询记忆；检索统一编排情景记忆、原子记忆与程序性记忆。
5993
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
LangMem：结构化状态变换与 BaseStore 持久化
LangMem 让 LLM 产生记忆状态变换，再把持久化、索引和最终注入交给 LangGraph BaseStore 与宿主。
6093
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
HyMemory：L1 原文锚点与分层事实调和
HyMemory 的真实主链是先保留原文锚点，再分层抽取并调和事实，图式归纳则由调用方显式触发。
6193
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
HMS：事实、观察与心智模型三层状态
HMS 把可追溯原始事实、后台综合的 observation 与显式物化的 mental model 分成三层。
6293
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
VoltMem：用领域波动性治理事实更新
VoltMem 用领域波动性和观测不匹配度决定是确认当前事实、累计冲突，还是让新事实取代旧事实。
6393
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
EverOS：三路 Markdown 摄取与 OME/Cascade 异步派生
EverOS 将用户对话、Agent 轨迹与知识文档分成三条摄取轨道；OME 异步生成复合记忆资产，Cascade 为已物化 Markdown 建立检索投影。
6493
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
LightMem：主题缓冲与显式离线更新
LightMem 用主题缓冲把在线对话压缩为长期事实，跨轮次合并由调用者显式触发 offline_update；论文流程与锁定默认配置需分别理解。
6593
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
NEMORI：用预测残差选择性写入语义记忆
NEMORI 先用既有知识形成预期，再把预期与实际情景的差异选择性蒸馏为 SemanticMemory，使写入聚焦新增或修正信息。
6693
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
Memori：从 Agent Turn 构建三类结构化记忆
Memori 从 Agent Turn 同步抽取原子实体事实、过程属性与叙事摘要，并在模型调用前完成事实召回。
6793
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
memU：把宿主轨迹提炼为可检索的记忆与技能文件
memU 读取各宿主的 transcript，由 agent 生成记忆与技能 Markdown，再同步 RecallFile、分段和向量索引，支持渐进检索。
6893
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
Amind：按 owner 隔离并以两阶段写入控制质量与延迟
Amind 先按 owner 隔离记忆，再由 WriteGate 控制写入质量；fastStore 负责低延迟落库，版本链与六级仲裁处理后续冲突。
6993
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
Memorix：从项目观察到有界任务工作集
Memorix 先把项目事件形成可追溯 observation，再用共享 SQLite 管理多类证据；只有通过资格与批准门槛的长期记忆进入有界 Workset。
7093
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
Reflexion：把失败轨迹压缩为下一轮行动计划
Reflexion 在同一任务中把失败轨迹与评估反馈压缩为新计划，追加到任务局部的反思记忆，并在下一轮尝试时读入。
7193
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
Generative Agents：观察、反思与规划的共享记忆流
Generative Agents 把观察、反思与规划统一写入 AssociativeMemory，即时行动和高层反思再通过两条不同召回路径利用它们。
7293
具体方案 · 核心机制：记忆形成、巩固与演化主分类 · 非排他55 SEC
MemoryBear：Neo4j 图谱、分级检索与异步维护环
MemoryBear 把宿主消息异步写成 Neo4j 长期图谱，以四级读路返回证据，再由配额遗忘和 Layer 2 反思异步维护图状态。
7393
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
Graphiti：Episode 来源锚点与双时间事实边
Graphiti 把 episode 作为来源锚点，把可失效的事实边置于双时间轴上，再按多类图对象检索。
7493
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
Cognee：来源保留与三存储面认知管线
Cognee 先保留 Dataset/Data 来源，再把 LLM 生成的 DataPoints 分阶段写入关系、图和向量三个存储面。
7593
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
MemOS：GeneralMemCube 统管异构记忆资源
MemOS v2.0.33 以 GeneralMemCube 管理异构记忆资源，但当前开源主路径仍以文本与图文本记忆为中心。
7693
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
MemVerse：三类多模态记忆与中央编排双路径
FastAPI/MCP 双入口把多模态输入交给中央编排器；写入侧将内容文本化并更新三类 LightRAG MMKG，读取侧先判断参数记忆是否相关，再按需回退到图检索。
7793
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
GBrain：规则自连线知识图与带引用答案
页面写入阶段由术语表与正则规则建立类型化边；查询阶段依次完成意图识别、证据汇集、答案合成与提交，输出引用和明确的未知项，后台维护复用六阶段循环。
7893
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
OpenViking：先归档，再做 VikingFS 多粒度派生
OpenViking 采用归档优先（archive-first）写入：先把会话提交到 VikingFS，再异步生成多粒度摘要、长期记忆和执行经验。
7993
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
MemPalace：Drawer 原文底座与 Closet 派生索引
v3.6.0 深审主链经 v3.8.0 与 v3.9.0 升级复核仍成立：Drawer 保存归一化原文，Closet 提供可选派生索引，检索先筛选候选再回填完整内容。
8093
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
Memoria：SQL 真值、图激活与 GitForData 版本
Memoria 以 MemoryService 协调 SQL 真值、图激活与混合索引，并用 MatrixOne GitForData 管理数据库状态版本。
8193
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
MCP Reference Memory：实体、关系与观察组成的 JSONL 最小知识图
MCP Reference Memory 用 Entity、Relation、Observation 构成最小知识图；每次修改采用“完整加载 JSONL—内存改图—整文件覆盖”的路径。
8293
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
Engram (Gentleman)：SQLite/FTS5 Observation 与显式冲突判定
Engram 把由 Agent 整理的 Observation 串行写入本地 SQLite/FTS5，并在事务提交后分两步处理冲突候选与最终关系判定。
8393
具体方案 · 核心机制：结构化、时序与层级组织主分类 · 非排他55 SEC
Memory in the LLM Era (Ours)：FIFO、分段摘要与双路平面检索
Memory in the LLM Era (Ours) 把对话先放入用户级 FIFO，容量触发后分段摘要并同步写树与 Milvus，查询则融合近期历史和两路平面 top-k。
8493
具体方案 · 核心机制：检索、路由与主动导航主分类 · 非排他55 SEC
HippoRAG：OpenIE 知识图与 PPR 单步多跳检索
写入时，模型对文本块执行 NER 与 OpenIE，抽取三元组并构建 igraph；检索时先给事实打分，再通过 PPR 的单次传播完成多跳段落排序。
8593
具体方案 · 核心机制：检索、路由与主动导航主分类 · 非排他55 SEC
Thought-Retriever：用未来问题生成可检索 Thought
Thought-Retriever 先为未来可能出现的问题生成推理摘要（thought），再让原文块与经字符串门控的摘要共同参与检索；该门控只筛除特定拒答模式，不判定事实真值。
8693
具体方案 · 核心机制：检索、路由与主动导航主分类 · 非排他55 SEC
SYNAPSE：批量重建记忆图与扩散检索
SYNAPSE 公开版按批重建情景—语义记忆图，再通过扩散激活与侧抑制筛出供回答使用的情景片段。
8793
具体方案 · 核心机制：检索、路由与主动导航主分类 · 非排他55 SEC
Engram：SQLite 主数据底座与混合检索
Engram 以 SQLite 作为主数据底座；混合检索、访问强化和显式巩固围绕主库运行，legacy storage 与 CLI graph DB 保留为兼容入口或派生路径。
8893
具体方案 · 核心机制：记忆策略与技能学习主分类 · 非排他55 SEC
MemSkill：让策略控制器选择记忆操作
MemSkill 把记忆管理建模为可学习策略：控制器选择记忆操作技能，LLM 将技能落实为动作并更新当前任务轨迹的 MemoryBank。
8993
具体方案 · 核心机制：记忆策略与技能学习主分类 · 非排他55 SEC
AtomMem：用 GRPO 学习原子记忆操作策略
AtomMem 在部分可观测决策环中组合文本块、暂存区与 FAISS 召回结果，由模型输出 XML 原子记忆操作，再以精确匹配奖励通过 GRPO 优化整条控制策略。
9093
具体方案 · 核心机制：记忆策略与技能学习主分类 · 非排他55 SEC
MetaMem：事实记忆与利用策略分层演化
MetaMem 把 LightMem 召回的事实与可读元记忆策略分层，用标准答案反馈离线演化利用规则，推理期只读注入选定快照。
9193
具体方案 · 核心机制：记忆策略与技能学习主分类 · 非排他55 SEC
ExpeL：规则表负责抽象，成功轨迹负责回放
ExpeL 把训练任务的成败轨迹沉淀为带计数规则与成功案例池；评测时注入完整规则表，并用内存 FAISS 召回相似任务的少样本案例。
9293
收束 · Harness Memory85 SEC
Memory 是 Harness 的长期状态层
以 Context 为核心，Memory 横跨 Lifecycle、Observability、Verification 与 Governance
9393
附录 · 链接与致谢35 SEC
论文入口与中文深度解读索引
21 篇论文按研究框架与具体系统分组，每项同时提供官方原文与本地中文解读
综述、框架与评测
- Agent Harness Engineering论文中文解读
- Cognitive Architectures for Language Agents论文中文解读
- Agent Memory Mechanism Survey论文中文解读
- Memory for Large Language Models论文中文解读
- Memory in the Age of AI Agents论文中文解读
- Survey on AI Memory论文中文解读
- Rethinking Memory Mechanisms论文中文解读
- Memory for Autonomous LLM Agents论文中文解读
- Memory in the LLM Era论文中文解读
- Anatomy of Agentic Memory论文中文解读
- Agent-Native Memory System论文中文解读
- AI Meets Brain论文中文解读