记忆

介绍一下BEAM 数据和 LoCoMo 数据:评估大模型记忆能力的数据集你提到的 BEAM 和 LoCoMo 都是用于评估 AI 模型能力的数据集，但它们的侧重点截然不同。LoCoMo 专注于评估大语言模型在超长期多轮对话中的记忆和推理能力；而 BEAM 这个名字则对应了多个不同领域的数据集，其中在 AI 领域最相关的是一个长上下文记忆基准。

光明记忆（LIMS）v2.3 — 智能记忆管理平台(未开放版本)让 AI Agent 像人一样拥有长期记忆多租户 · 多用户 · 多Agent · 可插拔后端 · 四层温度分层

深度 | 记忆的锁定账：模型可以随便换，记忆却搬不走# 深度 | 记忆的锁定账：模型可以随便换，记忆却搬不走风险投资机构 Activant 2026 年那份《记忆护城河》研究，副题叫「最后一道 AI 切换成本」，核心判断就一句：模型正在变成可替换的商品，上下文却不会商品化，锁定不会消失，只是顺着栈往上爬，最后停在记忆这一层。报告里还有一句更冷的细节，审计师能调取数据库记录，却没法「传唤」一个缓存。

大连好光景

大模型应用中，如何实现短期记忆与长期记忆

大模型技术全景(十三)：记忆管理 Memory📚 本文收录于「流浪」的系列专栏🏠 博客主页：流浪｜ 📝 原创首发于 CSDN上上篇把 Agent 之间「怎么说话、怎么传话」讲透了，上篇讲了「哪些动作必须等人点头」。但 Agent 光会通信、会刹车还不够——它还得「记得住」：跨会话保留用户偏好、跨任务累积经验。这一篇讲记忆管理（Memory），把 Agent 的「外部记忆系统」从定义、分类、短期处理到长期记忆全生命周期一次说清。

O。O蛋黄酥啊

Claude Code 记忆机制全拆解：Auto Memory 与 CLAUDE.md 双轨解析本文特点：文章不满足于停留在"怎么用"的层面，而是直接深入到存储格式、目录结构、源码实现，把记忆系统从"对话历史 → Auto memory → CLAUDE.md"三层架构完整还原。全文以真实文件路径、真实 JSONL/JSON 日志、真实代码片段为证据，逐层剖析记忆的写入、索引、召回、注入与验证闭环，并提炼出可迁移到自研 Agent 系统的设计原则。无论你是想理解 AI 编程助手如何"记住"项目上下文，还是想为自己的 Agent 设计记忆模块，都能从中获得一手参考。

ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory论文阅读今天分享的论文是《ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory》

Claude Code记忆机制LLM 是无状态的。记忆机制的本质是给健忘的实习生“在工位上贴便签”。规则类的信息需要跨会话个性化长期存储比如项目规范、用户偏好等，所以agent需要长期记忆机制。

【ICML 2026 (Oral)】RoboMME 论文解读：首个大规模具身记忆评测基准，系统评估 VLA 长程记忆本文解读 ICML 2026（Oral）论文《RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies》。该论文提出大规模具身记忆评测基准 RoboMME，通过融合认知心理学记忆分类框架与非马尔可夫任务设计，系统性评测 VLA 模型的长程记忆能力，其特别之处在于首次同时覆盖时序、空间、对象、程序四种记忆维度，并在统一 π0.5 基座上构建 14 种记忆增强变体进行公平对比。实验表明感知记忆 + Modula

console.log('npc')

OptMem 使用教程永久记忆系统 — 让 AI Agent 跨会话、跨模型、跨平台保持记忆作者：Victor Taelin | 仓库：https://github.com/VictorTaelin/OptMem

Dify核心模块详解：从文本生成到智能体把 Dify 里这几个核心模块讲清楚，快速理解它们的区别和适用场景👇下面是 Dify 五大核心模块的关系总览，从简单到复杂，帮你快速建立整体认知：

AI Agent的三重记忆机制：打造高可用的多维记忆系统大多数 AI Agent 项目都从模型开始。该用哪个模型？是用 GPT、Claude、Gemini、Llama，还是本地部署的模型？要不要加工具？要不要加 function calling？要不要让它自主运行？

SQLite 从入门到精通：深入理解嵌入式数据库的艺术与科学在现代软件开发生态中，数据库的选择往往是架构设计中最关键的决策之一。我们习惯了 MySQL 的集群能力，PostgreSQL 的复杂特性，以及 MongoDB 的灵活非结构化存储。然而，在某些场景下，这些重量级的、需要独立服务器进程的数据库却显得过于“重载”。

大模型上下文长度对Agent的影响：从4K到1M的质变如果把Agent比作一位工匠，那么上下文窗口就是他的“工作台”。工作台的大小，直接决定了他能同时摆开多少工具、参考多少图纸、记住多少步骤。2025年，这个工作台从一张小茶几，扩展到了整面墙的操作台——从4K到1M，百倍级的扩张带来的不仅仅是“能放下更多东西”，而是一场Agent能力边界的根本性重塑。

OpenClaw 日志记忆：memory/YYYY-MM-DD.md本文详细介绍 OpenClaw 的每日日志系统 memory/YYYY-MM-DD.md。从日志文件结构、写入时机、内容规范到自动化管理，全面解析如何通过每日日志实现 AI Agent 的短期记忆能力。通过实际案例演示日志的创建、更新、查询流程，帮助开发者构建具有时间连续性的智能应用，实现任务跟踪和上下文恢复。📅

RAGFlow0.25版本更新与记忆工作流简介全文链接：RAGFlow0.25版本更新与记忆工作流简介本文归纳 RAGFlow 自 v0.20.0 起至 v0.25.0 区间在官方发布说明中的主要功能与重大变更，并单独说明 Memory（记忆）模块的定位、配置要点与可落地的 Agent 工作流（含文字箭头流程图）。具体子版本与修复项繁多，以官方 Release notes 与各版本 GitHub Release为准；升级前务必阅读对应版本的 Breaking changes / 数据库迁移说明。

MFlow03-数据模型解析从生活故事到代码实现的完整思考路径源码地址：https://github.com/FlowElement-ai/m_flow

为生产级 AI Agent 构建持久化记忆:五阶段流水线与四种设计模式每一次 LLM 调用都是无状态的。模型读上下文窗口，生成响应然后忘掉一切。这对单轮问答没问题。对下列任何一类 Agent，这都是致命的：

浑水摸鱼仙君

源码级讲述OpenClaw中的会话、记忆、上下文、系统提示词架构和原理官网：https://openclaw.ai/ nanobot：https://github.com/HKUDS/nanobot 。这是下面源码使用nanobot来学习，它香港大学数据科学实验室(HKUDS)开发的一款开源、极简的个人AI智能体(AI Agent)框架。nanbot只使用了4000多行代码就实现了openclaw几十行代码，更能便于大家学习。

赋予AI真正的“长期记忆”：开源大模型记忆操作系统 MemOS 深度解析与实战在人工智能的快速发展中，大语言模型（LLM）展现出了惊人的理解和生成能力。然而，无论是 ChatGPT 还是开源的 Llama、Qwen，它们在实际应用中都面临着一个致命的痛点——“金鱼记忆”。