标签：agent-memory
-
Anthropic公開Claude代理記憶架構：離線「做夢」與智能體長期記憶機制
Best Partners TV
介紹Anthropic公佈的Claude代理記憶架構。該架構借鑒人腦離線記憶鞏固，利用空閒時間的「做夢」機制回顧日誌、修正錯誤並構建知識圖譜，在CR-Bench與寶可夢等測試中展現出閉環學習與記憶維護能力。 -
每个人都拥有相同的 AI 模型：智能平面如何构成 Agent 的核心差异化壁垒
AI Engineer
演讲者探讨了从控制平面向智能平面演进的必然性，提出仅凭相同的大模型与数据无法形成差异化。智能平面贯穿 Agent 架构栈，结合记忆工程、本体与语义层以及持续学习，驱动 Agent 持续自我进化。 -
从 RAG 到 Agent Memory：决定智能体该记住什么与记忆晋升机制
AI Engineer
Oracle AI Database 技术市场负责人 Wojtek Pluta 探讨了 AI 智能体记忆系统。他指出 RAG 仅代表读取路径，而记忆是写入路径；需通过分类、比对与护栏机制进行“记忆晋升”，并介绍了 Oracle 的 agent memory 架构与上下文卡片设计。 -
将智能体记忆转化为可执行技能：基于 Neo4j 上下文图谱的架构演进
AI Engineer
Neo4j 产品经理 Will Lyon 剖析了传统 AI 智能体“失忆循环”与纯向量检索的局限，提出由短期、长期与推理记忆构成的上下文图谱体系。进一步结合 APE 协议与 NAMS 服务，展示如何将沉淀的交互轨迹确定性地蒸馏为类型化、可调试、版本可控的 Agent Skills。 -
AI 的聊天记录：存下有没有，检索用不用
yage.ai
文章探讨AI智能体会话记忆的存储与检索价值，指出本地日志默认清理导致数据流失。通过对比开源项目与商业案例，论证了将历史数据注入工作流以产生复利的逻辑，并强调在实现简单检索的同时，需重点解决凭据泄漏与记忆污染等治理难题。 -
Agent Harness 架构、数据层设计与记忆工程实践
AI Engineer
本文详细介绍了构建智能体控制框架（Agent Harness）的核心概念，重点阐述了 Agent Stack 的五层架构，以及数据层中关键组件（如网关、MCP）的作用。文章深入探讨了上下文腐化问题，并介绍了记忆工程（Memory Engineering）的理念，包括如何通过托管解决方案来高效管理记忆数据，以及利用向量检索和模型路由实现高效的 Agent 循环控制和模型选择。 -
没有记忆就没有框架：为什么数据库是企业级智能体的最后防线
AI Engineer
Oracle 出局数据库产品管理副总裁 Kay Malcolm 深入剖析了企业级 AI Agent 的协作瓶颈。她指出，AI 虽然提升了个体速度，但因缺乏上下文与记忆共享而未带来团队整体生产力提升。真正的企业级智能体不仅需要模型，更需要承载五种记忆类型的 Harness，而原生支持多模态的现代数据库是保障单一真实数据源的核心基础设施。 -
戴上智能体：从单群聊到智能眼镜的范式转变
AI Engineer
Sai Krishna Rallabandi 在演讲中探讨了智能体从单用户场景走向群体环境（如群聊和智能眼镜）的范式转变，重点解析了群体智能体在安全性（动作表面防御）、记忆管理（原子事实与持续评分）以及隐私分发（LoRA适配器权限烘焙）三个核心维度的系统性挑战与实操设计。 -
CrabRAG：为什么智能体需要图记忆而非更多 Token
AI Engineer
Neo4j 的 Steven Chin 阐述了 AI 智能体在记忆和工具调用上面临的瓶颈。通过对比传统的 Markdown 文件和向量数据库，他展示了结合向量检索与图遍历的 Graph RAG 架构如何为智能体提供更精确、可解释且可审计的长期记忆，并通过家庭实验室数字化双胞胎的实战 Demo 证明了图谱在复杂多跳查询和安全检测中的压倒性优势。 -
AI Agent堆栈的演变：LangChain CEO Harrison Chase谈代理、框架与未来
The MAD Podcast with Matt Turck
LangChain创始人兼CEO Harrison Chase深入探讨了AI代理技术的演变，从早期模型局限到当前代理架构的突破。他详细阐述了代理核心组件，如系统提示、规划工具、子代理、文件系统和技能，并强调了Harness（代理线束）在模型应用中的关键作用。对话还涵盖了不同类型的代理（对话型与长周期型）、上下文压缩、记忆机制、沙盒安全以及LangChain的产品演进和未来发展方向，为AI开发者提供了构建高效、可靠代理的洞见。