·tian
你的智能体记忆需要两个时钟
智能体记忆存储通常将两条时间线压缩成一个扁平的事实，导致没人能回答智能体在行动时的真实想法。双时态建模 —— 有效时间加事务时间 —— 将记忆过时导致的故障和事后审计转化为简单的查询。
ai-agents
agent-memory
temporal-data
observability
·tian
那个因无人负责而逃过租户删除清理的智能体记忆库
当所遍历的资产列表已过时，即使删除流程正确也无济于事。为什么每当发布一个无人申报的新持久化存储时，你的租户删除保证就在悄然失效。
insider
compliance
agent-memory
gdpr
+2·tian
回填问题：为什么智能体记忆需要像数据库一样进行迁移
智能体记忆是一个生产环境数据库，每当你改进其格式时，它都会发生偏移。在旧记忆悄然失效之前，请对记录进行版本控制，编写真实的迁移脚本，并完成回填。
agent-memory
schema-migration
data-engineering
llm-agents
+1·tian
分层内存压缩：你的智能体内存缺失的四个层级
大多数 LLM 智能体内存将四个层级压缩为两个 —— 缓冲区和向量存储。工作记忆、会话记忆、情节记忆和语义记忆各自都需要独立的层级。
agent-memory
llm
architecture
rag
+1·tian
摊销上下文：持久化智能体记忆 vs 长上下文窗口
长上下文模型诱使你将所有内容都塞进去 —— 但这会导致成本增加 15 倍，且生成的答案质量更差。本文介绍了一套决策框架，帮助你确定哪些内容应存入外部记忆、哪些内容需重新检索，以及哪些内容应保留在窗口内，并配合压缩模式，让记忆增强智能体在大规模应用中更便宜、更准确。
insider
ai-engineering
agent-memory
llm
+2·tian
智能体记忆垃圾回收：大规模工程化的策略性遗忘
生产环境中的智能体记忆系统会随着过时事实和矛盾信息的积累而无声地退化。分代衰减层、语义去重、矛盾检测和自适应压缩构成了一个 GC 管道，使长期运行的智能体保持可靠——其中包含借鉴自运行时垃圾回收的具体算法。
agent-memory
ai-engineering
garbage-collection
llm-agents
·tian
遗忘问题：无限膨胀的 Agent 记忆如何拖垮性能
无限制的 agent 记忆存储会随着过时信息、跨上下文污染和错误传播的积累而悄然降级性能。本文介绍切实可行的遗忘策略——基于时间的衰减、访问频率强化、选择性添加和主动整合——以及衡量记忆是否有益的评测方法。
insider
agent-memory
ai-engineering
llm-agents
+1·tian
LLM Agent 的图内存：扁平向量搜索遗漏的关系盲点
向量搜索可以检索相似的事实，但无法还原事实之间的关系 —— 这种结构性盲点阻碍了 Agent 处理多跳查询、动态状态演变和长程推理。本文探讨了图内存如何修复这些问题及其付出的代价。
llm-agents
agent-memory
knowledge-graphs
rag