本文介绍了Agent Foundry中的长短期记忆系统，旨在构建具备短期上下文感知和长期知识沉淀的智能体。系统包含短期记忆、长期记忆和记忆中间件，支持多Agent协作与记忆共享。设计原则强调最小必要召回、可解释性和安全性。未来目标包括时间感知记忆和记忆权重机制，以实现更智能的数字员工。

在人工智能领域，大型语言模型在开放性任务中表现有限。为此，研究引入了记忆共享框架，通过实时内存系统增强上下文学习，帮助识别相关示例，提高性能。实验验证了该框架的有效性，并探讨了最佳记忆池和检索策略。

大型语言模型代理通过自然语言提示执行任务，但在开放性挑战中表现有限。研究引入记忆共享框架，利用实时内存系统增强上下文学习。每个记忆记录查询和响应，汇集到共享池中，帮助识别相关示例并评估效用。实验证明该框架提高了开放性问题的性能，并探讨了最佳记忆池和检索策略。