新框架称 Agent 记忆问题本质是架构问题
Gaurav Dadhich · hf · 2026-07-27
这篇文章认为，生产级 AI agent 失败的主要原因通常不是“不会推理”，而是上下文管理失败：对话历史、长提示词、工具定义和工具输出不断膨胀，最终让 agent 淹没在自己的记忆和 token 成本里。
作者把这个问题定义为一个生命周期+架构问题，而不只是存储/检索问题，并提出 Agentic Context Management (ACM)，拆成五个基本动作：
- architecting：设计记忆与上下文架构
- ingesting：摄取并结构化信息
- scoping：按范围决定该记住什么
- anticipating：预测下一步会需要什么
- compacting & consolidation：压缩并整合上下文
文中还给出经济学论证：朴素地累积上下文会让 token 成本随对话长度二次增长；简单摘要虽然能省钱，却会带来准确率“悬崖”；只有经过验证的压缩策略才能在保持召回质量的同时把成本压成线性。
作者还介绍了一个参考实现 Maximem Synap，把 ACM 做成多租户服务，并在文中配置下报告了 LongMemEval 92%、LoCoMo 93.2%。最后，文章指出现有 benchmark 还缺少对延迟、token 效率、context rot 抗性等维度的覆盖。
「编程与Agent」频道最新
- 某团队在启动时加载 600 多个 skills，agent 性能反而崩了 — dbreunig · 2026-07-27
- 中国 AI 公司创始人讲了 40 分钟 agent swarms 课程 — aftahi_ai · 2026-07-27
- Codex 和 Claude Code 成了数学猜想玩笑的笑点 — charles_irl · 2026-07-27
- Claude 几小时做出的做市机器人每笔还亏 0.75 基点 — alejandroll10 · 2026-07-27
- AI Agent 四级架构把聊天机器人分到多智能体系统 — Pavan_Belagatti · 2026-07-27
- opendata-cat 把 15 个加泰罗尼亚数据源接入 MCP — modelcontextprotocol · 2026-07-27