文章介绍了 UT Dallas 的新论文 Jev-Mem，提出用 TypeSafe AI 的 Jev 模型替代通用 LLM 来处理 Agent 记忆系统中的小决策（如判断消息类型、记忆关联、检索终止等）。Jev 只返回结构化数值或标签，无需解析文本，通过 System One 轻量控制器与 System Two 生成式 LLM 的分工，显著提升效率。在 LoCoMo 基准上，答案质量相对最强基线提升 11%，构建速度快 6.6 倍，查询延迟降低 36.7%。文章也指出其局限：阈值依赖单一模型与基准、缺乏校准概率、消融实验不足，阈值在不同模型和数据分布下的泛化能力是最大隐患。
本文探讨了AI Agent开发中开放Harness与记忆所有权的重要性。作者引用Harrison Chase的观点——'不拥有Harness就不拥有记忆'，并区分了Memory（从上下文窗口记录的事实，如用户偏好、仓库知识）和Intelligence（利用这些事实让会话更智能的机制）。文章详细介绍了Mem0的方案：通过custom_instructions和infer=False控制记忆提取，用语义+BM25+实体搜索进行检索，并借助Dream实现记忆合并、替代与综合。作者主张将记忆层置于Harness之外，存储于SQL、向量数据库和实体存储中，从而实现跨Harness的记忆与智能的可移植性，即使前沿实验室的循环保持封闭。
文章探讨如何在不训练模型的前提下，让编码智能体在后续任务中持续变好。作者将编码智能体拆解为“冻结模型 + harness 程序”，并以 Pi 和 Hermes 为例说明通用 harness 的循环结构：组装提示、调用工具、追加结果、压缩上下文。核心观点是，真正带来“自进化”的并非内层循环本身，而是引入第二个写入者——在回合结束后或任务进行中，由额外代理将经验写入 MEMORY.md、SKILL.md 或四类存储，使下一个上下文窗口能加载这些持久化知识。Hermes 通过 fork 代理定期写记忆与技能，Prime Agent 则用 /refine 从轨迹中做最小可回滚编辑。两者都保留不可变基础提示，只改变下一窗口内容。
本文探讨了强化学习环境中记忆系统的设计问题。各实验室通过可验证奖励（如测试通过与否）在沙盒环境中训练编码智能体。单个任务往往涉及数百次工具调用，而模型只能看到上下文窗口内的内容，harness 负责决定哪些历史信息进入窗口——这就是记忆系统。文章介绍了 AgeMem、CompactionRL 等研究如何将记忆管理（压缩、检索、写入）纳入策略本身进行训练，并用任务奖励进行评分。Cursor 认为生产环境的 harness 就是训练环境，在数十万并发沙盒中训练 Composer 模型。核心观点是：沙盒保持完整状态，但策略只看到 harness 构建的观察窗口，记忆即跨越这一边界的信息。
随着运行时间变长，AI Agent 的记忆会因重复、过时和矛盾而退化。为解决此问题，业界引入了类似人类睡眠的“做梦”机制，即在后台空闲时执行记忆整理。它通过合并、更新和综合，在不重新训练模型的情况下优化记忆库。OpenAI、Anthropic 和 Google 等均已采用此技术。研究表明，这种“慢速整合”不仅能大幅降低内存占用，还能显著提升 Agent 的事实召回率和任务完成率，使其越用越聪明。
文章介绍了基于 Andrej Karpathy 提出的“LLM Wiki”概念而衍生出的四种 Agent Wiki 系统（DeepWiki、AutoWiki、OpenWiki、GBrain）。核心原理是在摄取阶段将信息编译为 Markdown 页面，而非在查询时检索。文章详细阐述了系统架构、优势及不同团队的工程实现差异。
文章探讨了 LLM Wiki 模式的兴起，即通过在摄取时编译知识而非查询时检索，解决传统 RAG 无法积累知识的问题。介绍了 Cognition、FactoryAI、LangChain 等团队构建的 Agent Wiki 系统，分析了其架构原理及在维护成本上的优势。
文章深入解析了 OpenAI Codex CLI 的内存架构，该工具通过本地 Markdown 文件异步生成和汇总记忆。文章详细介绍了记忆的写入与加载流程，指出其缺乏向量数据库、仅依赖关键词匹配及受限于本地文件系统等局限。最后，文章引入 Mem0 作为解决方案，通过 MCP 协议提供跨机器、跨工具的持久化智能记忆层，解决原生功能在扩展性和同步方面的不足。
本文介绍了 Hermes Agent v0.12.0 版本中推出的 Hermes Curator 功能。针对自改进 Agent 普遍存在的技能囤积和上下文腐朽问题，Hermes Curator 作为一个后台维护系统，通过遥测驱动的状态机自动追踪技能使用频率。它能将长期未用的技能由活跃转为陈旧，直至归档，并利用低成本辅助模型定期审查和合并重复技能。此外，系统提供 CLI 工具和“固定”机制，确保关键技能不被误删，从而在不干扰用户工作的情况下，降低 Token 成本并提升 Agent 推理效率。
文章深度剖析了开源项目 Multica（GitHub 15.4k stars）的多智能体记忆系统架构。与普遍依赖向量数据库的方案不同，Multica 采用了基于 PostgreSQL 和 JSONB 的纯关系型数据库设计，通过 Issue、Skill、Agent Task Queue 等六张表实现状态管理、技能积累和工作空间隔离。作者详细梳理了任务从创建、快照生成到 Agent 执行的完整流程，并指出对于编码类任务，明确关联优于模糊检索，同时探讨了该架构在上下文持久化和跨工作空间记忆方面的局限性。
