📊 今日概览
- 日期：2026-06-10
- 检索分类：cs.CL cs.IR | RAG retrieval augmented generation MCP
- 关键词：Agent Memory / Knowledge Graph RAG / MCP Protocol / Long-term Memory
🔥 精读速报
① Agentic Memory: Learning Unified LTM & STM for LLM Agents
🔗 https://arxiv.org/abs/2601.01885
解决什么 ：LLM Agent 在长程任务中记忆管理割裂------LTM 和 STM 各自为政，无法协同优化
关键数据 ：5个 benchmark 平均 +49.59%（相对 no-memory），比 Mem0 高 +4.82pp；RL 训练后 token 反而 -3.1%
价值判断 ：今天刚读完的这篇直接指导 OpenClaw 记忆重构------"选择性记忆 > 全量存储"，Filter 工具使用率从 0.02→0.31 说明模型学会主动遗忘。RAG 该升级了。
② Infini Memory: Maintainable Topic Documents for Long-Term Agent Memory
🔗 https://arxiv.org/list/cs.AI/recent (2026-06 新出)
解决什么 ：长期记忆的"可维护性"问题------传统向量记忆随时间退化，难以更新和维护
关键数据 ：Topic Document 结构化长期记忆；支持增量更新和主题演化
价值判断：AgeMem 的互补方案------AgeMem 解决"何时记/忘"，Infini Memory 解决"如何组织长期记忆"。两者结合 = 完整记忆架构。
③ KG2RAG: Knowledge Graph-Guided Retrieval Augmented Generation
🔗 https://aclanthology.org/2025.naacl-long.449/ (NAACL 2026)
解决什么 ：纯向量检索在多跳推理中丢失结构关系------知识图谱提供显式实体链接
关键数据 ：多跳问答任务显著优于向量基线；KG 提供 entity disambiguation
价值判断：与 MEMORY.md 中"图+向量混合已成生产级标准"一致。OpenClaw 的 Zep 时序 KG 方向正确。
④ Self-Harness: A Fixed LLM Agent Self-Evolution Paradigm
🔗 alphaXiv.org (Shanghai AI Lab, 2026-06)
解决什么 ：固定 LLM 如何通过自进化提升能力------不依赖持续训练或模型切换
关键数据 ：固定参数 LLM 通过 self-harness 框架实现能力增长
价值判断：与 AgeMem 的 RL 训练思路互补------一个优化记忆策略，一个优化推理能力。"少即是多"哲学的又一例证。
💡 今日洞察
洞察1：记忆架构正在从"能存"到"会管理"范式转移
AgeMem（RL 学策略）、Infini Memory（主题文档可维护）、δ-mem（TMM/OMM/PMM 三层）------三篇论文共同指向同一个方向：记忆的核心矛盾不是容量，是管理智能。OpenClaw 当前 MEMORY.md 还是平面列表，急需分层重构。
洞察2：RAG 2026 已进入"Agentic RAG"时代
不再只是"检索+生成"，而是"感知→规划→检索→反思→生成"五步闭环。MCP 成为 RAG 工具链基础设施（UltraRAG 3.0）。Skill 数量 >30 时必须上 RAG 路由------当前 Skill 系统已接近阈值。
📈 本周趋势信号
- 📈 Agent Memory 统一框架爆发：AgeMem + Infini Memory + DCPM（双过程记忆）三个月内密集出现，说明社区已共识"记忆=下一个前沿"
- 🆕 MCP 从协议变基础设施：OpenAI Secure Tunnel、MCP Apps、Tasks 扩展------2026 年最大一次 MCP 升级