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：

记忆放哪：你决定，默认本地。 记忆引擎由 MemOS 驱动（我之前介绍过的 memos CLI 就是 MemTensor 家的），默认存本地 SQLite；记忆服务不可用时如实报错，不编“假记忆”。 定位上，Hermes、OpenClaw 是 personal agent；Memmy 完全不一样，做的是所有 Agent 共享的记忆层——从各个工具收，也供回各个工具。 同时开着两个以上 Agent 的人，直接装： ▸ 7 月 30 号上 Product Hunt ▸ 注册送 2M tokens（GPT-5.6 Luna），也能切自有 API Key 换自己的模型 ▸ macOS 12+ / Windows 10+，免费使用（不是完全开源），CLI 要 Node 22+ 官网： GitHub:

暑假酒店偶遇自己的老师，没想到反被撩，老师忽悠着说只剩一间大床房了，进门就主动先把自己洗干净，还说害怕黑要一起睡，小伙哪能错过这种机会，内射了一次又一次都不停歇~ 完整版看下方推文哈~

PC 一直还是有黑屏死机的问题，和 AI 各种查了好多遍，各种排除后，目前最大的怀疑是内存故障了。而且确实在 EXPO 6000 下跑 memtest86，几分钟就会报错，对于 X870E 芯片组来说，6000 应该轻轻松松才对。 内存是 23 年 9 月买的宏基掠夺者 64G 套条，当时价格是 1341。前天发京东去检修，刚联系我可以办理全额退款，我说你想得美…