Gorden Sun(@Gorden_Sun):Jev-Mem：结合了Jev的记忆系统思路很好，充分利用了Jev的快速分类能力。现在的 AI 助手在处理长期任务时，需要记住用户的喜好、历史聊天和背景知识。以往的做法主要依赖大语言模型自己去逐字阅读、归纳和检索历史。这种方式不仅反应慢、花费高，而且面对海量信息时，大模型还容易找错重点。 Jev-Mem把记忆管理分成了两套系统：快思考，使用Jev（系统一）：负责干杂活与快速决策。它专注于做打标签、连线分类和打分筛选。比如新存入一句话时，它会快速判断这是日常事件还是用户偏好，并自动把相关联的时间、因果关系串起来；查找时，它会快速判断该去哪类记录里找、找到多少线索就可以停手，全程不需要大模型慢吞吞地逐字生成文字。慢思考，使用LLM（系统二）：负责最终的深度推理。昂贵的大模型只在最后一步登场，直接拿“快思考”整理好的精准证据来组织语言、给出最终回答。 Jev-Mem 在长对话测试（LoCoMo）中取得了明显优势：建立长期记忆的速度比现有的同类记忆系统快了 6.6 倍，耗时大幅缩减。回答问题时的检索延迟降低了三分之一以上，平均响应只需 0.93 秒。在复杂多步骤推理以及识破误导性问题的测试中，回答准确率超过了对比的其他主流记忆方案。 Github：

2026.10.05 12:29

Jev-Mem：结合了Jev的记忆系统思路很好，充分利用了Jev的快速分类能力。现在的 AI 助手在处理长期任务时，需要记住用户的喜好、历史聊天和背景知识。以往的做法主要依赖大语言模型自己去逐字阅读、归纳和检索历史。这种方式不仅反应慢、花费高，而且面对海量信息时，大模型还容易找错重点。 Jev-Mem把记忆管理分成了两套系统：快思考，使用Jev（系统一）：负责干杂活与快速决策。它专注于做打标签、连线分类和打分筛选。比如新存入一句话时，它会快速判断这是日常事件还是用户偏好，并自动把相关联的时间、因果关系串起来；查找时，它会快速判断该去哪类记录里找、找到多少线索就可以停手，全程不需要大模型慢吞吞地逐字生成文字。慢思考，使用LLM（系统二）：负责最终的深度推理。昂贵的大模型只在最后一步登场，直接拿“快思考”整理好的精准证据来组织语言、给出最终回答。 Jev-Mem 在长对话测试（LoCoMo）中取得了明显优势：建立长期记忆的速度比现有的同类记忆系统快了 6.6 倍，耗时大幅缩减。回答问题时的检索延迟降低了三分之一以上，平均响应只需 0.93 秒。在复杂多步骤推理以及识破误导性问题的测试中，回答准确率超过了对比的其他主流记忆方案。 Github：