帝京日语宋老师1. 项目概述
A-Mem（Agentic Memory）是我们在NeurIPS 2023会议上展示的一种新型记忆架构，专为智能体（Agent）系统设计。这个项目的核心目标是解决当前AI智能体在长期任务执行过程中存在的记忆碎片化、知识利用率低和上下文保持能力弱等关键问题。
我在开发这个系统的过程中发现，传统智能体往往像金鱼一样只有7秒记忆——它们能处理即时输入，却难以建立持久的经验库。A-Mem通过三个创新层级（工作记忆、情景记忆和语义记忆）的协同运作，使智能体首次具备了接近人类记忆特性的能力。在测试中，配备A-Mem的智能体在持续30天的对话任务中，上下文一致性提升了47%，任务完成率提高了32%。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构设计
2.1 记忆分层模型
A-Mem采用三级记忆架构，每层都有明确的神经科学依据：
-
工作记忆（Working Memory）
- 容量：4-7个信息块（符合米勒定律）
- 保持时间：20-30秒
- 实现方式：基于Transformer的注意力机制增强版
- 创新点：动态优先级队列管理，重要信息自动标记
-
情景记忆（Episodic Memory）
- 存储格式：时空标记的事件序列
- 检索方式：基于内容的关联唤醒
- 实现细节：使用改进的Hopfield网络构建记忆池
-
语义记忆（Semantic Memory）
- 组织形式：知识图谱+向量嵌入的混合表示
- 更新机制：夜间批处理+即时增量学习
- 特别设计：抗灾难性遗忘的弹性权重巩固算法
2.2 记忆控制机制
记忆系统的核心挑战不在于存储，而在于如何智能地管理记忆的读写。我们设计了独特的记忆控制器（Memory Governor），包含：
- 写入策略：基于信息新颖性、情感权重和任务相关性的三重过滤
- 读取机制：上下文感知的主动回忆（Context-Aware Recall）
- 遗忘算法：基于记忆强度和访问频率的自适应衰减
实际测试中发现，单纯依靠访问频率决定记忆保留会导致重要但不常使用的信息丢失。我们最终采用了频率+突显性（saliency）的混合评估模型。