dsv4部署实践

这篇论文从数据管理视角系统评估 Agent memory，结论是没有一种架构通吃，真正可靠的长期记忆必须按 workload 设计表示、写入、检索和维护策略。：2026-06：Agent memory、长期对话系统、个人助手、RAG 平台、知识图谱记忆和生产级 Agent 基础设施建设者。

TierMem：动态切换摘要与原始日志的智能记忆系统 本文介绍了一种名为TierMem的新型Agent记忆系统，通过分层存储解决了长期记忆中的成本与可信度平衡问题。系统将记忆分为两层：低成本但有损的摘要层（summary tier）和高成本但可信的原始日志层（raw log tier）。其核心创新在于推理时动态选择证据源：先用摘要快速响应，当检测到证据不足时自动升级查询原始日志，并将验证后的新结论

摘要： MRAgent提出了一种基于主动重构的长期记忆访问机制，突破传统静态检索的局限。其核心是Cue-Tag-Content图结构，通过LLM驱动的多步遍历实现动态记忆重构：Tag层作为语义路标引导搜索方向，多粒度记忆层（Episodic/Semantic/Topic）平衡细节与效率。实验显示，该方法在长对话任务中显著提升效果（LoCoMo任务提升23.3%），且减少token消耗。相比GBra

GAM 的核心贡献是把 Agent 记忆从“持续追加的一条流”改造成“先局部缓冲、再语义合并、最后图引导检索”的生命周期系统。它让 Agent 在当前对话中保持灵活，同时让长期记忆免受临时噪声污染。不要让每一条新信息直接改写长期记忆，先判断它是否已经成为一个语义完整、值得巩固的记忆单元。

不要一上来就追求自动化。先明确哪些内容属于短期任务，哪些属于长期用户记忆；哪些是原始证据，哪些是摘要；哪些可以进入 Persona，哪些只能停留在 Atom。

OpenViking 是火山引擎开源的 Agent Context Database，用文件系统范式统一管理 memory、resources 和 skills，让 Agent 通过目录、摘要、概览和递归检索按需获取上下文。：Agent Context Database / 上下文文件系统 / Agentic RAG 基础设施：Python 为主，另含 Rust CLI、C++ 扩展等：主项目以

可以理解成“低层知识节点 + 高层抽象节点”交替使用。

github项目地址：https://github.com/agiresearch/a-mem。

摘要：MemEvolve提出了一种新型Agent记忆系统，突破传统固定架构限制，使记忆系统能够自我进化。它将记忆架构拆分为四个可进化模块（编码、存储、检索、管理），通过双循环机制实现内容与架构的共同优化。内循环积累任务经验，外循环基于任务表现评估并改进记忆架构。该方法采用模块化设计，将记忆架构视为可修改的基因型，并通过帕累托优化平衡性能与成本。MemEvolve标志着Agent从单纯积累经验迈向自