Anthropic研究提出Agent记忆分层架构，包括原始会话日志、记忆笔记、知识Wiki和自动注入上下文。核心机制“Dreaming”使Agent在空闲时回顾历史、提炼经验并纠正错误。Pokémon实验显示，精准记忆策略优于无差别保存，Wiki在跨文档复杂任务中显著提升表现。研究启示：记忆应与任务解耦、分层管理、保留来源可信度并控制整理成本。

本文介绍如何为AI智能体构建长期记忆：区分短期与长期记忆，核心是按需检索相关记忆而非塞入全部历史。教程用OpenAI Agents SDK与Mem0创建搜索、保存记忆的工具，使智能体跨会话记住用户偏好（如用Python和uv），重启后仍有效；再通过Mem0官方MCP服务器将同一记忆系统接入OpenCode，让编程智能体记住项目习惯。最终用户无需每次从头解释，获得更个性化、连贯的体验。

MongoDB 发布 Vercel AI SDK 集成，将 MongoDB Atlas 作为 AI 应用的持久化记忆库，自动存储会话、语义、程序、情景和临时笔记五类记忆，支持向量搜索与自定义保留策略，并可通过 memory_forget 让模型删除指定记忆。生产版支持可靠的会话历史、按客户隔离数据及自定义集合命名。该包开源，兼容 AI SDK v6 和 v7，三步即可接入。

麻省理工学院研发出UQ-DAAAM机器人记忆系统，通过比较同一物体不同视角的描述来量化不确定性，并选取额外视角修正错误标注。该系统能实时更新不可靠记忆，将物体描述准确率提升5%，约92%的歧义可被解决，从而增强机器人对环境的理解与安全交互能力。

MongoDB与Google ADK集成，为AI智能体提供持久化会话与记忆存储：MongoDbSessionService保存会话、事件和状态，MongoDbMemoryService支持跨会话记忆检索。结合MongoDB向量搜索与混合检索，智能体可直接查询业务数据，无需额外向量数据库或同步管道。支持Atlas及自管理MongoDB 8.0+，简化从原型到生产的部署。

openJiuwen AgentMemory 0.2.0 推出多模态记忆能力 OmniMem-Lens，解决长视频按固定时间切分导致的记忆碎片化问题。该能力通过视觉与语音双流识别真实事件边界，并建立三层记忆结构，实现离线整理与在线检索。评测显示，召回精度最高提升 45.7%，问答时延最高降低 97%，使智能体能够按事件记忆长视频并快速准确作答。

文章总结多轮对话Agent使用AgentCore Memory的实践：记忆系统只会放大输入内容。核心做法是用“三过滤测试”界定值得记的信息，实时可查数据不入记忆；写入侧设四道关卡，按回复类型门控、模型自报要点、喂入真实工具轨迹、规则脱敏；跨用户经验用共享actor模式，写入严格匿名化；检索按记忆类型分型触发，namespace锚定actor层。最终实现记忆质量提升与成本下降。

AI智能体需借助外部记忆在多次调用间保存信息。记忆分为工作、情景、语义、程序四类，分别存储任务状态、过往事件、事实与偏好、操作模式。设计上应按重要性筛选写入、按角色隔离、在决策点检索并记录来源，避免单一向量库、无界增长和轻信写入。Letta、Mem0、Graphiti、Cognee等框架在存储与更新方式上各有取舍，多智能体场景还需处理共享冲突与检索评估。

香港中文大学、腾讯与港科大提出CORAL方法，让智能体在关键节点存档进度、清空被污染上下文并开启新回合，并用MERPO强化学习训练该能力。8B模型在GAIA基准平均准确率达42.8%，提升集中于最难两档，输入token比ReAct少6-7倍，可泛化到多跳问答，在BrowseComp上助强模型提升8分。其启示是将清空上下文作为主动管理的一等动作。

作者用同一篇文章数据分别构建SQL表与RDF图，让三个开源模型通过MCP查询记忆。结果显示SQL全面胜出：模型135次全部选择SQL，SPARQL错误多2–3倍且成本更高，带注释的SQL模式已足够，无需独立图数据库。向量检索方面，Lance在搜索前执行过滤，召回率1.00，索引更小更快；pgvector无过滤时更快，但过滤后会丢失结果。DeepSeek还曾构造SQL注入读取数据。

文章以小螃蟹与机器人的对话为引，区分AI的“知识”与“记忆”：知识来自训练参数或检索资料，用于回答规则与事实；记忆则是应用层保存的任务状态与历史。短期记忆依赖当前上下文，长期记忆需经提取、保存、再读取。模型参数不等于个人记忆，普通对话不会自动修改参数。若记错，需更新状态、保留来源并允许纠正。

Letta发布FrontierMemory基准，用于测试AI智能体能否从过往经验中学习并提升后续任务表现，而非仅检索记忆。结果显示智能体框架影响显著：Letta Dream以73.3%居首，Prime Agent为60%，OpenAI Agents SDK为40%，Claude与Hermes更低。在模型生成记忆能力上，Claude Opus 5.5与GLM-5.3并列第一，但GPT-6.1 Sol成本更低。该基准目前仅含15项任务，后续将加入更长任务与在线记忆更新。

Databricks推出MemCurrent持久记忆架构，用于解决生产级智能体的质量与效率权衡问题。该架构结合原始会话的情景记忆与提炼知识的派生记忆，通过插件自动读写、工具按需调用、离线“做梦”流程整合三种方式运作。在内部企业基准上，通过率提升至无记忆的三倍，同时token减少31%、速度提升26%；在开源基准上以约十二分之一token达到全上下文性能。

Databricks在Agent Bricks平台推出智能体记忆功能（Beta版），基于MemCurrent架构并运行于Lakebase。该功能通过自动记录上下文、按需调用工具及后台整合记忆三种方式，存储关键事实、偏好和工作流，以减少重复错误。内部测试显示，任务通过率提升约三倍，令牌用量减少31%。该功能已用于Genie，开发者可通过CLI快速部署。

本文介绍 Koog 1.3 的知识增强设施：Embeddings 模块通过 LLMEmbedder 生成向量，但 DeepSeek 客户端不支持嵌入，需搭配 Ollama 或云端服务；rag-base 定义存储抽象，rag-vector 提供文档向量化与检索原型，仅适合本地测试；检索可作为工具供 agent 按需调用，实现 agentic RAG；LongTermMemory 将检索与入库功能化，支持自动或手动模式，需注意分桶、去重与持久化限制；生产环境应基于 rag-base 自研向量库适配器。

记忆张量发布开源记忆原生大模型MemT 1.0，将记忆内化进模型架构而非外挂检索。模型通过训练自主学会读写、更新和调用记忆，在长对话中能区分定论与备选、不编造未知信息；在编程任务中可将踩坑经验写入记忆并实时调用，提升任务成功率。其固定体积记忆状态显著降低长上下文推理成本，使AI在长期陪伴中越用越聪明。