KK.aWSB(@KKaWSB):清华、上海交大和 MemTensor 最近提交了一篇论文，系统评测了 12 种 Agent 记忆架构。重点从“谁的模型更强”，转向“记忆系统该怎么选”：什么时候用 RAG，什么时候用向量数据库，什么时候引入知识图谱。论文标题：我们准备好构建 Agent 原生记忆系统了吗？论文把 Agent 记忆拆成 4 个环节：表示与存储 → 提取 → 检索与路由 → 维护然后分别评估每个环节对长期记忆效果的影响。几个核心结论：没有万能架构不同任务适合不同记忆系统，关键在于记忆架构和 workload 的匹配度。局部维护更划算只更新受影响的记忆片段，比每次全局重构更省成本，效果也接近。差距主要体现在两点 12 个系统跑了 5 个 benchmark、11 个数据集后发现，真正拉开差距的是检索精度和长周期稳定性。实操上可以这样理解：简单问答场景：向量检索基本够用。需要多跳推理：最好加知识图谱层。知识频繁变化：优先做局部维护，别动不动全量重建。这篇论文的价值在于，它把 Agent 记忆从“概念讨论”推进到了“工程选型”：不同场景该用什么记忆系统，终于有了一套相对系统的评测框架。论文：https://t.co/T8q1ZAZDBg 代码：

2026.06.27 00:58

清华、上海交大和 MemTensor 最近提交了一篇论文，系统评测了 12 种 Agent 记忆架构。重点从“谁的模型更强”，转向“记忆系统该怎么选”：什么时候用 RAG，什么时候用向量数据库，什么时候引入知识图谱。论文标题：我们准备好构建 Agent 原生记忆系统了吗？论文把 Agent 记忆拆成 4 个环节：表示与存储 → 提取 → 检索与路由 → 维护然后分别评估每个环节对长期记忆效果的影响。几个核心结论：没有万能架构不同任务适合不同记忆系统，关键在于记忆架构和 workload 的匹配度。局部维护更划算只更新受影响的记忆片段，比每次全局重构更省成本，效果也接近。差距主要体现在两点 12 个系统跑了 5 个 benchmark、11 个数据集后发现，真正拉开差距的是检索精度和长周期稳定性。实操上可以这样理解：简单问答场景：向量检索基本够用。需要多跳推理：最好加知识图谱层。知识频繁变化：优先做局部维护，别动不动全量重建。这篇论文的价值在于，它把 Agent 记忆从“概念讨论”推进到了“工程选型”：不同场景该用什么记忆系统，终于有了一套相对系统的评测框架。论文：代码：

커뮤니티로 전달