论文：基于文件系统的 LLM Agent 记忆机制与可持续性研究
Sizhe Zhou · hf · 2026-07-31
随着 LLM Agent 广泛部署，将其长期记忆存储为 Markdown 文件目录树（由 Agent 自行读写管理）正成为默认做法。本研究首次系统性地探索了这种基于文件系统的记忆机制，测试了 Agent 能否在记忆积累、冲突和过时的情况下保持组织性，以及这种组织是否带来收益。
研究将记忆管理形式化为三种角色：管理 Agent（整合内容）、搜索 Agent（带引用回答）和执行 Agent（提供任务轨迹并提炼为技能）。通过在长对话和具身任务基准上的实验，得出以下关键发现：
- 搜索经济性：有组织的存储在材料庞大时能将检索成本减半。
- 组织退化：除了最强的管理 Agent 外，所有 Agent 的记忆组织结构都会随着时间推移而退化，且没有 Agent 能将组织性直接转化为更高的回答质量。
- 工具集影响：仅改变工具集对存储结构的重塑程度，几乎与更换底层模型一样强烈。
所属事件:ICML 论文实测基于文件系统的 Agent 记忆机制(2 条相关)→
「编程与Agent」频道最新
- 实战：用 HF 推理端点部署 Qwen 嵌入模型 — NielsRogge · 2026-07-31
- Hugging Face 专家分享：通过蒸馏代码轨迹训练智能体 — mervenoyann · 2026-07-31
- Kaggle推出Kaggriculture模拟竞赛：打造农场经营自主Agent — JFPuget · 2026-07-31
- 用Google ADK 2.0与A2UI构建可靠的AI Agent系统 — SucceededMind · 2026-07-31
- Blockstream 称前沿大模型正发掘加密设备漏洞 — RSync25 · 2026-07-31
- DeepSeek-V4-Flash 接入 Codex：成本仅为 Opus 的近 90 分之一 — teortaxesTex · 2026-07-31