MCCL 综述：把 Agent 记忆从被动检索变成持续学习引擎
Dongfang Li · hf · 2026-10-22
论文提出 Memory-Centric Continual Learning（MCCL），主张评判 agent 记忆的标准应是「能否改善未来行动」，而非仅能否召回存储内容。框架包含三部分：
- 三轴分类法：按存储位置（substrates）、记忆形态（assets）、管理策略（policies）组织记忆系统
- 双循环生命周期：内循环更新记忆状态，外循环基于任务反馈优化管理策略
- 评测协议：测量干扰下的记忆保持、对变化的适应与任务迁移，区分真实行为提升与简单的上下文扩展
- 记忆 scaling 框架：建模 agent 性能随经验、存储容量与计算预算的增长规律
作者团队含华为等机构，目标是为自改进自主智能体提供一条有原则的记忆驱动路线。
「编程与Agent」频道最新
- 个人 AI Agent 一年爆发史：从 OpenClaw 到各大实验室全部下场 — thisiskp_ · 2026-10-22
- Coinbase 讲解 x402 协议：让软件在调用工具的瞬间完成付费 — kleffew94 · 2026-10-22
- Antigravity app 更新 v2.24.0-v2.25.0：新增 /compact 压缩长对话 — rseroter · 2026-10-22
- 开源工具 Graphify 用知识图谱替代向量库做编码 Agent 记忆 — abhishek__AI · 2026-10-22
- 南开联合阿里云提出 PoS,破解 Agent「信念困局」空转难题 — jiqizhixin · 2026-10-22
- 博主把自己降级为复制粘贴层:研究 Agent 全自动经营 X 账号 — petrusenko_max · 2026-10-22