智能体记忆

智能体记忆不是越多越好：ALTK-Evolve 八模型评测，记忆要按模型能力“配药“热点来源：Hugging Face Blog - 《智能体记忆并非越多越好：八款模型评测显示剂量需按能力校准》（https://huggingface.co/blog/ibm-research/altk-evolve-hmm）研究原文：IBM Research - ALTK-Evolve 技术报告（https://arxiv.org/abs/2603.10600）

"LatentMem: Customizing Latent Memory for Multi-Agent Systems" 论文笔记同济 + 上海 AI Lab + 港中文 + 南大 + 上交的工作，目前挂在 Arxiv 26.03 上。当前多智能体系统（MAS）的记忆设计普遍存在两个瓶颈：记忆同质化（缺乏角色感知的定制）和信息过载（记忆条目过于细碎冗长）。本文提出 LatentMem，一个可学习的隐空间多智能体记忆框架：用一个轻量经验库存原始轨迹，用一个记忆合成器（memory composer）结合角色画像把原始轨迹蒸馏成定长的隐式记忆（latent memory），再通过 LMPO 把任务级信号反传给合成器，让它学会产出紧凑且

"OPD-Evolver: Cultivating Holistic Agent Evolver via On-Policy Distillation" 论文笔记LV-NUS Lab + 复旦 + 北大 + 字节的工作，目前挂在 Arxiv 26.06 上。当前的自进化 Agent 都把记忆当成自进化的定义，但存下经验 ≠ 学会怎么从经验里进化。本文提出 OPD-Evolver，一个慢-快协同进化框架：快环里 Agent 与四级记忆层级交互做 test-time 进化，慢环里用结果校准的记忆归因+ 特权后见通过 on-policy distillation 把「选、用、写、管」四种能力蒸馏进可部署策略本身

"MemEvolve: Meta-Evolution of Agent Memory Systems" 论文笔记OPPO AI Agent Team 与 LV-NUS lab 的工作，发表在 ICML 2026 上。当前的自进化记忆系统都停留在用固定的记忆架构去积累经验这一层，本文提出 MemEvolve，一个同时进化「经验知识」与「记忆架构本身」的元进化框架，让 Agent 不仅能积累经验，还能不断改进它是怎么从经验里学习的这件事

"Collaborative Memory: Multi-User Memory Sharing in LLM Agents with Dynamic Access Control" 论文笔记一篇 LLM Agent 多用户协作记忆管理工作，目前挂在 Arxiv 25.05 上，针对多用户、多 Agent 场景下信息不对称和动态权限问题，提出了 Collaborative Memory 框架

宇擎智脑科技

AI Agent 的“记忆“与“进化“：从被动存储到闭环学习的技术路径以 Hermes Agent 的 MemoryProvider 体系与 OpenClaw 的 memory-core 插件为案例，探讨 Agent 持久化记忆和自我改进的不同技术方案。

"INMS: Memory Sharing for Large Language Model based Agents" 论文笔记现有的 memory 工作主要都关注 Agent 独立利用自身存储的记忆来完成任务，这种孤立的范式忽视了 Agents 间的互动和集体记忆的巨大潜力。当前方法常常未能模拟复杂多代理环境中自然发生的异步对话和知识交流，忽视了拥有独特对话历史和专业培训的 Agents 之间的固有多样性和互补性

我是有底线的