Engram 提出用 RL 训练模型「会用笔记」，补足 Agent 纯文本记忆的短板
scott_linderman · x · 2026-11-05
Engram 团队发布新博客，探讨 Agent 记忆层的问题与解法：
- 背景：AI 生成的上下文正爆炸式增长，而今天的 agent 每个会话都要重新通读这些内容；靠纯文本记忆目前还能凑合，但 12 个月内将变得太慢、太贵。
- 核心发现：用 RL 让模型学会「如何使用自己的笔记」，与纯文本记忆形成互补；相比构建笔记本身，训练成本可以更便宜。
- 鲁棒性：经过训练后，即使记忆经历数百万 token 的编辑，模型使用记忆的能力依然保持稳健。
Engram 正在构建结合文本记忆与训练的记忆层，方向是让 agent 学会一种新的上下文导航方式。
所属事件:Engram：373 美元 RL 训练让模型学会用笔记(7 条相关)→
「编程与Agent」频道最新
- Revolut 自托管 GLM 替代 Claude,编码推理成本降约 90% — sebkrier · 2026-11-05
- 博主4天VibeCoding出3D钓鱼游戏,全流程拆解玩法建模到宣传片 — lxfater · 2026-11-05
- Sentry 创始人实测 AI agent junior：最难编码任务也全接住 — zeeg · 2026-11-05
- Every 长文复盘 Codex 崛起：从失败发布到吞并 ChatGPT 的翻身之作 — danshipper · 2026-11-05
- 腾讯混元 Hy4 接入 OpenClaw:1M 上下文 + 长程 Agent 能力 — TencentHunyuan · 2026-11-05
- 开发者用 Claude Code 复刻 Awwwards 级网站：Blender 建模+Playwright 自检 — randomname11111_ · 2026-11-05