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。
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。
