Topic Document 不是笔记格式:它是长期 Agent 记忆的维护单元
Infini Memory 把长期 Agent 记忆从孤立片段和向量召回,推进到可维护的主题文档库。工程上,Topic Document 的价值不只是可读 Markdown,而是把写入缓冲、证据聚合、事实修订、局部检索和审计元数据放进同一个维护单元。
Category
Infini Memory 把长期 Agent 记忆从孤立片段和向量召回,推进到可维护的主题文档库。工程上,Topic Document 的价值不只是可读 Markdown,而是把写入缓冲、证据聚合、事实修订、局部检索和审计元数据放进同一个维护单元。
从 Persistent AI Agents in Academic Research 看,长期记忆 Agent 的评估对象不该只是单轮回答、RAG 命中率或 token 成本,而应扩展到人-代理-文件-工具-计划任务-治理规则组成的持久化环境。
从 Useful Memories Become Faulty When Continuously Updated by LLMs 看,自动把成功轨迹持续压缩成文字经验,可能让 Agent 从有用记忆退化到错误记忆;长期记忆系统需要把 consolidation 当成可验证、可回滚、可门控的写操作,而不是无条件后台任务。
TMLR 2026-05-17 接收的 ZipAct 把 agent 的交互历史压缩成 Goal、World、Constraint 三类结构化状态,让动作生成只看当前状态表和最新观察。它提醒我们,长任务记忆的关键不只是存储更多历史,而是把可执行状态、负反馈和约束持续更新到一个可验证的工作记忆里。
从 arXiv:2604.27003 和 elfmem 看,外部记忆并不会自动解决持续学习;它只是把灾难性遗忘从参数更新搬到检索、表示、评分衰减和经验复用策略里。
从 arXiv:2604.23069 ContextWeaver 看,工具型 LLM agent 的记忆不只是在历史里检索相似片段,而是要保留当前行动真正依赖的早期证据、决策和执行反馈。
从 arXiv:2604.15877 看,长期记忆、技能和规则不是三个孤立模块,而是同一条经验压缩轴上的不同粒度;真正缺失的是跨层晋升、降级和生命周期治理。