RSM 记忆方法：4k 预算达全上下文 83% 质量，token 成本仅 32%
dair_ai · x · 2026-09-09
- dair-ai 点评一项改进长时程智能体记忆的工作 RSM：把通常被论文混为一谈的两件事拆开——记忆写入时如何合并、检索内容如何组装进 prompt。场景是 2k5k token 的紧预算，因延迟/成本/上下文限制无法全量塞入上下文。
- 方法：写入侧用带 cosine 门控的 max-member 合并规则，读取侧用 atom-aware 分组打包器。在 4k 预算下达到全上下文质量 83%、token 成本仅 32%。
- 消融显示两部分各有贡献：合并规则比 online k-means 高 5.7 分（与 DP-means 持平），分组打包器比平铺拼接高 5.0 分；在 RealMem 基准上复现，超过 Budget-RAG、Streaming-Proto 和 A-MEM 等 agentic 记忆基线。
所属事件:RSM 记忆方法：4k 预算下以 32% token 达 83% 质量(3 条相关)→
「编程与Agent」频道最新
- Will DePue 呼应 OpenAI 加 API 级能力：让多智能体一次并行分发上千个小模型调用 — willdepue · 2026-10-28
- DeckWerk 新版获早期用户好评：连续数周用于真实演讲 — vincesitzmann · 2026-10-28
- Opus 5.5 剪视频可替初级剪辑师，资深剪辑师日产出翻 5 倍 — dotey · 2026-10-28
- 软件栈正为Agent重构:开发者站点、浏览器乃至编程语言都在agent-first — mobileraj · 2026-10-28
- HABIT-Bench:八种记忆系统测用户习惯推断,最佳仅33.61% — SJTU · 2026-10-28
- 「钢琴测试」思想实验：你敢坐在形式化验证过的代码下吗 — moyix · 2026-10-28