大脑对长周期 Agent 的启示
文章通过对比人脑的双速学习机制（海马体与皮层），指出当前 AI Agent 仅依赖大模型权重的局限性。真正的长周期智能需要将预测模型与经验状态结合。现有的外部记忆存储实则是模拟海马体的快速捕获功能，未来的关键在于实现高效的记忆筛选机制。
全部文档
2 篇
ActiveGraph: 长期运行 Agent 的连续性架构层
文章作者 Yohei 提出了 ActiveGraph 的概念，旨在解决长期运行 AI Agent 的状态连续性问题。作者回顾了 BabyAGI 的发展历程，指出当前 Agent 系统主要围绕“反应”构建，缺乏持续的状态管理。ActiveGraph 试图将任务、记忆、决策、证据等所有状态视为一个共享的演化图，从而实现 Agent 的持久化、自我修正和逻辑追溯，适用于需要严格推理过程的企业级场景。