AI 总忘记之前聊过什么？可以看看这个开源记忆系统。 🧠 MemPalace：面向 AI 助手的记忆管理项目，目标是帮助模型更好地保存、检索和利用历史信息，也支持探索与 Claude Code 等工具的结合方式。 📚 长期记忆：减少跨会话的信息丢失 🔎 检索历史：需要时找回相关上下文 🤖 开源可研究：适合想增强 AI 助手记忆能力的开发者 项目与米拉·乔沃维奇的参与情况、LongMemEval 测试成绩，建议以仓库说明和实际评测为准。 🔗 ：

卧槽！互联网顶尖那批人，直接把脑子开源了！ 这11个GitHub仓库，真的能让你少走三年弯路，白嫖党直接起飞！ 兄弟们赶紧码住，慢慢啃，别手动找资料了！ PilotDeck（OpenBMB） 几分钟部署一个能自己干活的AI Agent，真正的开源智能体框架！ andrej-karpathy-skills（Karpathy） 一个CLAUDE.md文件直接封神，17万+星，AI编程铁律天花板！ MemPalace AI记忆系统，LongMemEval接近满分，记忆永不丢失！ OpenClaw（Peter Steinberger） 私人AI助理，37万+星，GitHub史上涨最快的怪物之一！ autoresearch（Karpathy） 科研自动化框架，吸星速度离谱，直接把科研变流水线！ awesome-claude-code Claude Code顶级玩法合集，FAANG内部都在偷偷用！ agent-skills（Addy Osmani） 生产级AI编程技能，3万+星，硬核到爆！ AI-Agents-for-Beginners（微软） 12节免费课，从零教你搞AI智能体，白嫖党的天菜！ awesome-llm-apps 最大可运行AI应用合集，10万+星，抄作业首选！ hermes-agent（NousResearch） 自进化AI智能体，越用越聪明，越用越强！ qlib（微软） 全套量化投资平台，直接clone对冲基金的大脑！ 别人天天闷声用这些东西，你刷完就划走，差距就这么被拉开了。 快码住 + 转发给还在瞎找资料的朋友！ 谁用谁知道，评论区说说你先冲哪个？#AIAgents# #GitHub#

MSR Memora：一个解耦"存什么"和"怎么取"的 agent 记忆系统 问题： 现有 agent 记忆系统在抽象和具体之间无法兼得。RAG/Mem0 保留细节但碎片化；摘要压缩高效但丢失约束和数字。知识图谱需要预定本体论，不跨域。 核心洞察： 记忆内容可以保持丰富（时间线、多轮讨论），但检索走一条独立的轻量结构层。 架构： 每条记忆两个部分。Primary abstraction——6-8 词的短语（what this memory is about），嵌入做相似搜索。Memory value——完整内容，永远不直接通过内容检索。Cue anchors——从 value 里提取的短标签，提供替代检索路径，不需要本体论。 例子："Dave 和 Sarah 同意原型 4/1、试点 5/2、MVP 5/30"。Primary abstraction = "Updated Project Orion timeline agreed by Dave and Sarah"。Cue anchors = "Dave Project Orion update"、"Project Orion prototype schedule"等。后续查询 Dave 的贡献、原型进度、试点时间，都能通过不同 cue 到达同一条记忆。 检索： 不是一次性 top-k。Policy-guided retriever 迭代精化查询、通过 cue anchors 扩展、决定何时停止。可以蒸馏到小模型。 结果： LoCoMo 86.3%，LongMemEval 87.4%，SOTA。比 RAG、Mem0、Zep、LangMem 全高。多跳推理上差距最大。token 消耗减少 98%（vs 完整上下文）。存储条目数约 Mem0 的一半（344 vs 651）。 代码： | ICML 2026 #Agent记忆# #MSR# #LLM#

给 LLM Agent 堆越花哨的"记忆"架构，效果不一定越好。一篇新论文实测了 12 个记忆系统，没有通用赢家。 它把 Agent 记忆当成数据库来拆——表示与存储、抽取、检索与路由、维护四个模块，拉来 Mem0、Letta、Zep、Cognee、MemOS、MemTree、A-MEM、LightMem 等 12 个系统，外加 Long Context 和 Embedding RAG 两个基线，跑 5 类负载、11 个数据集。 几个反直觉的点： 1）在数据库操作类任务 DB-Bench 上，裸的 Long Context（48.20 EM）和最朴素的 MemoChat 反而赢过一众精致记忆系统。强记忆看的是它对主导瓶颈的对齐程度，而不是用了多花哨的表示。 2）检索的关键是怎么组织证据供后续重建，而不是把最相关那条排第一。证据拉远时图/层级结构碾压扁平：A-MEM Recall@10 达 85.9，而 Embedding RAG 的 Answer-F1 从 37.1 断崖跌到 7.4。 3）成本由"维护范围"而非"结构本身"决定，局部维护远胜全局重组。LongBench 上 LightMem 稳在 17.3 秒，而做全局协调的 Mem0/MemoChat/MemoryOS/A-MEM 飙到 374~552 秒，20~30 倍延迟差。 4）别急着压缩：保留原文胜过摘要，压一压 Substring-EM 就从 26.0 掉到 10.7；抽取要保上下文（MemOS Fast 25.5 EM vs Fine 2.5）；维护要保守整合，激进的延迟刷新反而把分数拉低。 还有个普遍毛病叫"过去的幻觉"：事实更新后系统照样返回旧值。所以论文标题才会问，我们真的准备好迎接 Agent 原生的记忆系统了吗。

魔法! DeepSeekV4 上下文内存压缩到1/10! 大家都知道 DeepSeekV4 是支持1M上下文的, 而且经过了极度优化, 如果要真的用到1M上下文, 显存占用只需要10G左右, (对比之下 DeepSeek-V3.2 大概需要84G显存). 然后我刚看到了FlashMemory这个论文, 直接能把显存占用压到 1.3GB! 甚至输出效果不降反升! 哥们你骗兄弟可以, 骗自己就没意思了, 真的吗? 压缩后反而性能上升? 我赶紧看了论文细节: 咱们先复习一下传统做法: 模型每吐出一个字，都要把之前的几十万字重新看一遍(这就是全局注意力). FlashMemory 的做法是: 预测未来需要什么, 它内置了一个神经内存索引器（Neural Memory Indexer, 其实就是个小模型了），能够主动预判接下来生成内容时需要用到历史文本里的哪些片段. 然后预先准备好这些片段, 接下来只要做到命中率超高, 那么这个提升就绝对有效. 即它的假设是, KVCache里面的东西并不是生成每个字的时候全都需要的, 只需要按需提前加载即可. 很像做作业的时候, 把参考资料摊满桌子, 然后优化了一下就是把参考资料需要用到的部分直接拍照, 用的时候看照片就行了. 那么听上去很简单, 但实际的难点在于, 训练一个专用的索引器小模型, 需要把 DeepSeek-V4模型加载到显存里一起炼. 相当耗费算力. 于是这篇论文第二个亮点来了, 它搞了个解耦训练. 他们把这个索引器当成一个标准的"双编码器（Dual-encoder，类似做搜索推荐的模型）"来单独训练. 在这个过程中，根本不需要把庞大的 DeepSeek-V4 基座模型加载到显存中. 这让训练成本断崖式下降，且兼容标准的检索（Retrieval）训练框架. (简单来讲就是它是通用方法训练的, 通过query预测需要检索哪些长句子. 所以其实是个通用模型) 听上去靠谱, 那也只是显存占用少了, 怎么就性能还提高了呢? 答案是注意力降噪. 因为每次只提取和当前生成最相关的记忆块（Chunks）放入显存，模型在运算时就看不见那些无关的冗余信息了.天然地起到了一种"去噪"作用，这也是为什么显存占用少了，模型准确率反而略微提升的原因.官方测试在长文本评测集（如 LongBench-v2 等）上的准确率平均最终提升了 0.6%. (其实还有数据如何逐出显存和如何预测数据实现预加载, 这部分也很棒, 很有启发性. 建议看原论文, 篇幅原因写不下了) 论文地址: 项目地址: #FlashMemory# #DeepSeekV4# #FlashMemoryDeepseekV4#

今天周一起床又是瀑布洗脸，BTC 跌破 77000，ETH 2100 摇摇欲坠，不过相对韩国 KOSPI 下跌 5% 的熔断已经算很坚挺了 尽管 X 时间线上骤然冒出很多“看空大师”，各路空论不绝于耳，但丝毫不影响 Base 链上进行的局部牛市，特别是一些 AI Agent 项目的表现尤其亮眼 1. $aeon ( @aeonframework BNKR系) 0xbf8e8f0e8866a7052f948c16508644347c57aba3 接着奏乐接着舞，从昨天 5M 又拉了一倍到接近 10M！它能持续拉盘的核心逻辑在我看来是： • 强明牌背景，aeon 是纯正的 BNKR 系血统，dev 又被 a16z 的创始人 @pmarca 关注 • 产品技术落地，aeon 可以理解为加强版龙虾 Openclaw，它本质上是一个 Agent 自治框架，用户只需要设置一次，它就能自己管理自己、自动批量创建多个 AI 机器人、全天候监控 Crypto 市场 2. $ETHY （ @ethy_agent Virtuals系） 0xC44141a684f6AA4E36cD9264ab55550B03C88643 拉了 20 个点到 4.3M 这是目前 Virtuals 生态最活跃的 AI Agent 项目之一了，相对于去年很火的 AXR swap 是青出于蓝而胜于蓝。交易量占据 ACP 协议（手续费 40% 用户回购 & 销毁 ETHY以及质押激励 ）和 aGDP 经济体量的半壁江山 这次拉盘的主要利好在于 5 月底要推出 V2 版本，支持移动端 app 和 Social trading 等功能 3. $MUTE （@Mute_swap Virtuals 系） 0xa023316FA5c85dADF008C611790B3235433e781e 拉了 30 个点到 4.2M 这个项目是做 Agent 主动型隐私的，最近专为 Virtuals 蜂群打造，推出的轻量化隐私安全插件（Widget）能让任何 Agent 一键接入 Monero 级别的匿名与防夹（MEV）保护 这次拉盘的主要利好在于官方明牌预告即将公开发售“私密收益池”，内测长达 4 个月、利用 $ZEC 和 $XMR 跑出了 33% 的平均月化回报，然后官方还透露 6 月关于收入用户的“大惊喜”，盲猜是回购+销毁 4. SIBYL（@sibylcap Virtuals系） 0x797f214a2CD64a4963A91Fa21c8C55Ec3EBa4714 拉了 50 个点到 4.5M 这项目是做链上自主系统的底层记忆基建，致力于解决 Agent 短时记忆的痛点。其“基于文件的记忆架构”在 LongMemEval Oracle 评测中准确率高达 95.6%（全球第 2），能让 Agent 跨会话拥有持久记忆与行为连续性 这次拉盘的主要利好在于核心“记忆层”代码审计进入尾声，官方透露即将进军多代理操作系统互操作性。官方还明牌效仿 VVV 和 DIEM 模型，质押 SIBYL 即可免费白嫖后续推出的高级 AI 记忆与工具产品 写这么多，我想表达的是其实 @virtuals_io 一直领跑 Base AI 赛道。无论是 Virtuals 团队还是生态项目项目，都一直在积极 Keep Shipping 落地的产品 相信价值发现是迟早的事，别因为 $VIRTUAL 短期表现不佳而 fade 它，不然等下一个主声浪到来会被啪啪打脸