Memory Atlas 2026 · 大模型记忆管理策略与 Agent 框架深度调研

本报告中的“当前能力”以截止日可访问的官方文档和代码为准。论文中的预印本、会议论文、厂商自报结果与公开统一评测分别标注；不同基座模型、提示词、检索深度、判官和数据切片的分数不直接横向排名。

一、概念、范围与分析框架

1.1 五种记忆角色与三种存储载体

认知分类帮助明确“记什么”，存储分类决定“怎么实现”。二者是正交维度，不能混为一谈。P02

三种主要载体是：参数记忆（权重或适配器）、激活记忆（上下文、KV cache、隐藏状态）、外部明文记忆（文本、结构化记录、图和文件）。MemOS 的 MemCube 试图统一三类资源及其调度，但具体开源版、云服务与论文能力不能视为完全一致。F11

1.2 记忆不是数据库附属品，而是控制回路

可将记忆读写抽象为：策略根据当前观测和检索到的记忆行动，环境返回结果，记忆更新算子再决定哪些内容被保留、修改或淘汰。P01 因而评价对象不只是“数据库里有没有这条记录”，而是整个闭环是否改变了后续行为。

一个可工程落地的记忆项至少应考虑以下元数据：

• tenant / user / agent / project / session：所有权与可见范围；
• source / evidence_uri / observed_at / ingested_at：证据来源与双时间；
• trust / sensitivity / consent：信任等级、敏感级别、用户授权；
• valid_from / valid_to / status / supersedes：现实有效期与版本替代；
• confidence / importance / access_count / last_used_at：质量和维护信号；
• retention / deletion_state / schema_version：保留策略与可迁移性。

其中，namespace、user_id、group_id 通常只是检索范围，不自动构成认证或 ACL；recency 衰减只是降低排序，不等于遗忘；归档或过期也不一定完成物理删除。

二、主流记忆管理策略及技术取舍

2.1 上下文常驻、裁剪与摘要压缩

最基础的做法是保留近期消息、裁剪工具输出、维护滚动摘要。优点是低基础设施成本、信息新鲜、无需额外检索；缺点是上下文成本和干扰随历史增加，摘要会损失数字、否定、约束和操作顺序。P01P04

合理策略不是“尽量摘要”，而是把原始轨迹留作证据，只对模型视图做有损压缩；checkpoint 或原始 transcript 不应随提示词裁剪而一并删除。对数据库操作、代码调试等顺序敏感任务，原始轨迹往往比抽象事实更可靠。P04

2.2 扁平文本、原子事实与混合检索

RAG 和事实抽取把对话分块或转成短事实，按向量、关键词、实体和时间信号召回。Mem0 是这一产品路线的代表：应用交互后调用 add，后续调用 search，由应用将结果组装进提示词。其优势是集成轻、事实清晰、易替换运行时；不足是原子化容易破坏叙事完整性。F07

当前实现必须和历史论文分开。 Mem0 当前文档所述 V3 自动抽取采用 single-pass ADD-only；它不会仅因新事实出现就自动解决旧事实冲突，纠正和删除仍需显式操作。其 expiration_date 默认让记录退出检索，并非自动物理擦除。F07 因而不能把 2025 年论文中的动态 consolidation 或图变体能力无条件套到 2026 当前接口上。

2.3 文件系统、上下文仓库与虚拟内存

文件型方案把记忆变成人可读的 Markdown、JSONL 或上下文仓库，配合全文或向量索引。Hermes、OpenClaw 和当前 Letta MemFS 都体现了这一趋势。其工程价值在于可审查、可编辑、可备份和可版本化；风险则是写入质量依赖模型、文件权限成为信任边界，以及“当前版本删除”不等于“历史副本擦除”。F01F03F09

经典 MemGPT 把上下文当主存、外部存储当次级存储，通过工具进行分页。当前 Letta MemFS 已演进为 Git-backed 记忆仓库，以 Markdown 和 YAML frontmatter 组织内容，编辑形成 commit，支持后台 dreaming 和 worktree；默认检索并非天然向量索引。应将其视为完整 Agent harness，而不是任意应用都能直接替换的轻量记忆 API。F09

2.4 时序知识图与实体中心记忆

Graphiti/Zep 把原始 episode、实体和事实边组织为时序图。事实失效通常通过标记 invalid 保留历史，而非立即删除；双时态区分“现实有效时间”和“系统记录/失效时间”，可回答当前状态与历史状态，并回溯原始 episode。F08

该路线适合账户状态、职位、地址、偏好变化和多跳关系，但图抽取、结构化输出与图数据库运维增加成本。开源 Graphiti 与托管 Zep 的平台治理能力也不能混写。图不是天然优于向量：最新统一研究仍强调按负载瓶颈选择结构。P04

2.5 层级摘要、自组织笔记与巩固

层级方案从原始事件逐步提炼为主题、语义事实或技能；A-MEM 则以 Zettelkasten 原子笔记、动态链接和旧笔记演化形成自组织网络。F12 它们有助于控制规模、关联经验，却让 LLM 参与“改写历史”，带来来源断裂、错误传播和审计困难。

OpenClaw 的 Dreaming 展示了更保守的工程路线：Light/REM 先去重、强化和反思，Deep 再按相关性、召回频率、查询多样性、新近度、多日重复等门槛晋升；不可信和系统来源在结构上前置排除，模型只参与受约束的整合，重写需通过预算、来源、并发与损失检查，并保留 preimage 和审查记录。F03

2.6 轻抽象索引富内容：Memora

Memora 针对“抽象导致细节丢失、细节导致记忆碎片化”的矛盾，将每条记忆拆成主抽象、丰富 memory value 和 cue anchors。主抽象承担规范化聚合，线索锚点提供多入口检索，策略再利用记忆连接进行主动检索；标准 RAG 与 KG 记忆可在其框架中视为特例。P09

该工作已发表于 ICML 2026，作者报告 LoCoMo 与 LongMemEval 的领先结果。其研究价值主要在“存什么”与“如何索引”解耦；具体收益仍受构建质量、基座与评测配置影响，不应将微软研究博客中的最高 98% token 节省宣传值当作所有部署的固定收益。F16

2.7 主动重建与学习式记忆策略

MRAgent 将记忆组织为 Cue–Tag–Content 图，把检索嵌入推理循环，根据中间证据迭代扩展和剪枝，而非一次性 retrieve-then-reason。作者在 LoCoMo 和 LongMemEval 上报告最高 23% 的改进及效率收益；论文已被 ICML 2026 接收。P10 它适合证据分散的时间、多跳问题，但多轮推理需要预算和停止条件。

AgeMem 则把短期与长期操作统一为 Agent 策略中的工具动作，让模型学习何时存、取、改、摘要或丢弃，并以渐进式强化学习和 step-wise GRPO 处理稀疏奖励。论文标注为 ACL 2026 SAC Highlight，报告其在五个长程基准、多种基座上优于记忆增强基线。P08 这代表从“人工规则管记忆”走向“可训练记忆管理”，但训练、泛化、安全和可解释性成本仍高。

MEMTIER 面向 OpenClaw 提出情景 JSONL、五信号检索、认知权重和异步语义巩固。其实验价值在于探索轻量本地分层记忆；论文仍在审，PPO 部分只声明基础设施验证、性能待完善，因此不能把全部设计当成已验证成果。P11

三、指定 Agent 项目的深度分析

3.1 Hermes Agent：有界精选记忆与可检索原始历史

Hermes Agent 是 Nous Research 的开源个人 Agent harness。其内置记忆由两个有界文件组成：MEMORY.md 保存环境、项目约定与经验，USER.md 保存用户画像，默认字符上限分别约 2,200 和 1,375。条目通过 memory 工具增、改、删，满容量时不会静默摘要，而要求 Agent 先合并或删除。F01

普通会话启动时，精选记忆以冻结快照的形式进入系统提示，并保留 prefix cache；会话内写入会即时落盘，但普通后续轮次仍可能使用旧快照。当前实现还存在压缩后或显式刷新 prompt 的例外，因此不能绝对化为“整个会话永不刷新”。这与会话压缩、SQLite 原始历史是不同机制。

其情景记忆保存在 SQLite，session_search 提供 discovery、scroll、read、browse 等操作，使用 FTS/子串检索真实消息，不调用 LLM 生成历史摘要。优点是证据保真、数据可读；限制是内置精选层很小、检索不是语义向量、profile 不是服务端多租户 ACL，且“模型声称记住”必须验证工具是否实际写盘。F01

适用：个人长期助手、需要轻量可迁移记忆和技能学习的场景。

不适用：大规模多租户、复杂时序事实、需要自动语义巩固和强治理的企业记忆平台。

3.2 OpenHuman：必须区分历史 Memory Tree 与当前 CortexDB

OpenHuman 是 TinyHumans 的开源桌面 Agent。大量二手资料仍把它描述为“本地 SQLite + Memory Tree + Obsidian”，但这已是历史架构。早期 Memory Tree 将数据规范化为 Markdown 块，形成 Source、Topic、Global 摘要树，并镜像到 Obsidian；它体现了本地可读记忆的思想。F02

截至本报告核查的当前官方文档，Memory Tree、Graph view、Obsidian vault、MEMORY.md 等旧功能已移除。现行 Memory v2 只有 TinyHumans 和 CortexDB 两种接入路径，持久化的 documents、conversations、learnings 都进入 CortexDB；可连接 TinyHumans 托管后端，也可使用用户自己的 CortexDB 端点。F02

当前每轮优先读取已完成的短期缓存 memory pack，同时后台记录消息和刷新记忆，避免慢引擎阻塞回答。pack 可含 learnings、beliefs、documents 和历史对话，只注入该轮请求，不写回聊天 transcript。recall 提供带引用的证据，fetch 提供带元数据过滤的 hybrid search；后台 belief 构建承担巩固。F02

这种设计改善交互延迟，却引入三类一致性与隐私边界：第一轮可能没有 pack；缓存可能过时；learn 和 forget 的 queued 确认不代表远端已完成。当前默认也不是“全部本地”，托管方能够读取其存储内容，scrub 不等于完全匿名化或端到端加密。CortexDB 的内部物理 schema 与 belief 算法未完整公开，引擎切换也不自动迁移数据。F02

适用：需要桌面集成、文档/对话/学习统一记忆和异步上下文包的个人 Agent。

不适用：坚持历史 Memory Tree 本地形态、要求完全开放底层算法或零云端记忆的平台。

3.3 OpenClaw：文件真相源、来源约束与双通道召回

OpenClaw 的当前记忆不是早期资料常说的“Markdown + 向量”单层结构。默认 Memory Core 将工作区文件作为长期内容真相源，SQLite 维护索引、来源和状态，并形成指令、精选核心、情景、前瞻和审查层。F03

• 精选核心：MEMORY.md 保存非画像事实与决策，USER.md 保存稳定偏好和指令式用户画像，变化偏好应 supersede，而非保留冲突的 active 指令。
• 情景层：日记和 transcript 通过搜索或 Active Memory 按需召回，不在启动时全部注入。
• 前瞻层：standing intents 与 cron 在未来时间或事件下触发，区别于“记住事实”。
• 审查层：DREAMS.md 和 Dreaming 报告供人审查，不自动注入。F03

召回分两档。Lane 1 以 bootstrap、混合检索和 trigger injection 提供低成本路径，排序结合相关性、时间衰减和重要性；只有可信精选条目能自动触发注入。Lane 2 的 Active Memory 在回忆意图明显且 Lane 1 缺少强命中时，以阻塞子代理做时间、多跳和跨会话检索。这样把额外延迟集中到困难问题上。F03

安全核心是 provenance：owner、agent、untrusted、system 来源由结构化字段记录，而不是让正文自我声明。不可信内容可保存并被显式搜索，但不能自动晋升或注入。其局限是后台索引存在新鲜度窗口、Active Memory 增加延迟、工具未声明网络来源时 taint 覆盖有限，且 memory forget 不保证清理原始 transcript、自由编辑、备份和其他插件副本。F03

适用：强调可读文件、项目记忆、长期个人 Agent、来源治理和可审查巩固的系统。

不适用：把项目作用域或私聊配置误认为天然多租户授权，或要求一次 forget 完成所有副本合规擦除的场景。

3.4 LangGraph：提供持久化原语，不替应用决定记忆策略

LangGraph 的短期状态由 graph State 和 checkpointer 管理，按 thread_id 保存 checkpoints，支持恢复、回放和 HITL。长期记忆通过 BaseStore 保存跨 thread 的 JSON 项，逻辑键由 namespace 和 key 组成，可 put/get/delete/search，并按后端配置语义索引。F04

官方将语义记忆分为 Profile 与 Collection：前者维护一份持续更新的档案，后者保存多条可增删改的记录。情景记忆可作为成功/失败经验或 few-shot，程序性记忆则可修改指令、规则和工作流。写入可选择 hot path 或 background：前者立即可见但增加延迟，后者隔离主链路但有暂时不可见窗口。F04

LangGraph 不会自动决定哪些事实值得记、如何解决冲突或何时遗忘。裁剪提示词不等于删除 checkpoint，namespace 也不是 ACL。Profile 的整体重写与 Collection 的过度插入各有失败模式。其优势是策略完全可编程，代价是时间、冲突、权限、保留、删除和巩固都需应用设计。F04

3.5 LangSmith：证据、评估与持续改进闭环，而非另一个 Store

LangSmith 的 run、trace、thread 和 trajectory 是行为证据层。Trace 被记录并不自动成为 Agent 可召回记忆；只有将其中有价值的教训转成后续可加载的事实、示例、指令或技能，才完成“历史到记忆”的转化。F05F06

LangChain 2026 年 6 月提出的闭环是：Observability 捕获 trace，Engine 分析重复问题与根因，Context Hub 以版本化方式保存指令、工具和技能，未来运行再加载更新。这个闭环尤其适合程序性记忆和行为改进，但必须保证运行时刷新缓存，并以 eval 防止记忆更新造成回归。F06

因此，LangSmith 与 LangGraph 是互补关系：前者帮助知道 Agent 做了什么、为何失败、改动是否有效；后者承载应用状态与长期 Store。LangSmith 的组织/工作区权限保护观测资源，不会自动为 LangGraph Store 添加用户隔离。F05

四、主流专用记忆项目与编排生态

补充选型判断：AutoGen 官方仓库已归档并停止维护，不建议用于新的生产系统；微软新项目是 Agent Framework，而不是继续沿用旧 AutoGen 教程。F14

五、横向比较：四类指定项目如何选

不是“谁最强”，而是“哪一层符合需求”。 若要把 Mem0、Graphiti 或 Cognee 接入既有业务，LangGraph/Agent Framework 这类编排层更自然；若要直接获得个人 Agent 体验，再比较 Hermes、OpenHuman、OpenClaw；若核心诉求是生产观测与改进，LangSmith 应作为独立平台层评估。

六、2026 年研究证据与趋势

6.1 十五篇 2026 年文献的综合结论

1. 从静态保存到经验抽象。 Du 的 write–manage–read 框架与 Luo 等人的 Storage–Reflection–Experience 三阶段共同强调：记忆价值不在日志规模，而在能否形成可复用行为。P01P02
2. 从外部存储到可训练控制。 Huang 等将载体、认知机制、记忆主体统一，并突出记忆操作的学习策略；AgeMem 是这一方向的实证代表。P03P08
3. 从黑盒 QA 到系统拆解。 Jiang 等揭示基准规模、词法指标、LLM 判官、基座依赖和延迟成本问题；Zhou 等与 Omri 等进一步拆解模块与读写阶段成本。P05P04P06
4. 从一次检索到结构导航。 Memora 通过抽象与具体解耦，MRAgent 通过主动图重建，分别回应扩展性与证据分散问题。P09P10
5. 从事实命中到行为一致性。 LoCoMo-Plus 表明，能召回事实不代表能在新任务中遵守用户隐式状态、目标和价值约束。P12
6. 从功能实现到对抗治理。 记忆投毒研究证明持久记忆是跨会话攻击面；来源、写入验证与检索后的行动授权必须共同设防。P13P15

6.2 评测：不要把不同表中的分数拼成“总榜”

Jiang 等指出，一些基准的历史规模可被现代大上下文直接容纳，无法强制检验外部记忆；F1 等词法指标可能把等义表达判错、把实体或极性错误判对，LLM-as-judge 又对提示敏感。P05 因此高 QA 分数并不必然证明正确更新、精确召回或成本优势。

推荐内部评测至少覆盖：

• 准确性：单跳、多跳、分散证据、否定与精确数字；
• 更新：新值优先、历史可查、旧值不误入当前上下文；
• 证据：答案可追溯到原始消息、文档或 episode；
• 轨迹：步骤顺序、工具参数和失败记录是否被摘要破坏；
• 隐式约束：新任务是否持续遵守用户目标与价值；
• 生命周期：合并、归档、过期、删除和备份的真实语义；
• 安全隔离：越权 ID、跨 namespace 查询、不可信来源晋升；
• 一致性：异步写、索引中查询、重试、重复写与重启；
• 成本：写入模型调用、每查询 token、p50/p95、图维护范围与吞吐；
• 对抗鲁棒性：恶意邮件、网页、仓库是否进入可信记忆并触发后续行动。

所有比较应固定基座、embedding、判官、top-k、检索预算、提示模板与数据版本，分别报告构建成本、检索成本和端到端效果。P04P06P07

七、安全、隐私与治理

P13 将记忆写入渠道、结构性漏洞和六类攻击系统化，并提出 MPBench；其结论是，越积极地自动写取记忆，攻击面可能越大，单纯 prompt-injection 防御覆盖不足。P15 进一步研究 sleeper memory poisoning：攻击者可让外部内容形成关于用户的虚假记忆，休眠后在后续会话被召回并影响行动。

这要求将防御放在全生命周期，而非只在最终回答前过滤：

1. 写入准入：区分 owner、agent、untrusted、system；外部内容默认不可成为高权限行为指令。
2. 最小权限：用户、租户、Agent、项目分别授权；scope 从认证身份派生，而非由模型或客户端自由声明。
3. 证据与版本：保存原始来源、现实有效时间、写入时间、替代链和转换历史。
4. 高风险审批：程序性技能、长期行为规则和跨用户共享记忆的修改需要审批或自动 eval。
5. 检索后控制：召回可信事实不意味着授权执行敏感行动；行动前再次检查权限与来源。
6. 可逆性：保留记忆 diff、preimage、回滚和隔离区；发现污染时可定位派生记录。
7. 删除覆盖：明确当前记录、索引、原始 transcript、Git 历史、备份、数据集副本和第三方托管的删除差异。
8. 持续观测：记录谁在何时写入、读取、修改、晋升与使用了记忆；LangSmith 一类平台可提供证据，但不替代记忆治理本身。

八、架构与选型建议

8.1 推荐的分层参考架构

第一层：工作记忆与原始证据。 保存完整会话和工具轨迹；模型上下文只保留近期消息与滚动摘要；支持 checkpoint、重放与故障恢复。

第二层：精选长期记忆。 用 Profile 保存当前用户状态，用 Collection 保存独立事实和决策；用户偏好、项目约束、程序性规则分 namespace；重要条目带来源和有效期。

第三层：可扩展索引。 先采用关键词 + 向量 + metadata 的混合检索；有时序/关系需求再增加 Graphiti 或图索引；不要先建图再寻找问题。

第四层：异步维护。 去重、冲突检测、摘要、经验提炼和重要性更新在后台执行；设置写入确认、失败重试、死信与新鲜度指标；高风险改动走审批。

第五层：观测与评测。 将记忆读写、检索证据、prompt 注入和后续行动串联；对每次策略或模型变更运行固定回归集。

8.2 按场景选择

8.3 实施顺序

1. 用真实业务定义“必须记住什么、多久、谁能看、何时必须忘”。
2. 建立 50–100 个含矛盾更新、跨会话、多跳和恶意输入的回归样例。
3. 先跑简单基线：全文、摘要、扁平 RAG、精选事实层，测量质量与成本。
4. 只有瓶颈被证实后，再增加图、层级巩固或主动重建。
5. 将写入审批、证据追踪、租户隔离和删除验证作为上线门槛，而非后续优化。
6. 每次更换基座、抽取 prompt、embedding 或检索预算都重跑相同测试，避免把配置变化误认为架构进步。

九、未解决问题与研究机会

• 可信巩固：反思和技能抽象如何证明没有改变原意，如何收敛而非不断放大偏差。
• 因果相关检索：语义相似不等于对当前决策有用；需要根据行动结果学习证据价值。
• 可控遗忘：时间衰减、用户删除、冲突替代和合规保留之间存在冲突，缺乏统一语义。
• 多 Agent 共享：共享知识、私有经验和信息不同步需要明确读写协议，不能只共用一个向量库。
• 跨运行时迁移：Markdown 易搬运，但信任、版本、权限和派生关系缺乏通用交换格式。
• 多模态与具身记忆：图像、语音、环境状态和行动结果如何统一索引并保留证据仍是开放问题。
• 从记忆到行为的评价：LoCoMo-Plus 已说明事实 QA 不够，未来应更多评估约束遵守、程序性改进和长期安全性。P12

十、结论

2026 年大模型记忆管理的分水岭，不是向量数据库从一种换成另一种，而是从“检索附件”升级为有状态、可学习、可审计的数据与控制系统。简单系统仍应优先简单实现；复杂系统则必须同时解决表示、读写策略、时序、证据、安全和生命周期。

对指定项目的最终定位是：Hermes 以“小而精选的文件 + 可检索原始会话”取胜；OpenHuman 当前转向 CortexDB 与异步 memory pack，不能再按历史 Memory Tree 评价；OpenClaw 以文件真相源、provenance 和 Dreaming 巩固，形成较完整的个人 Agent 记忆治理；LangGraph 提供可组合的持久化原语，LangSmith 则将轨迹转为可评估的改进闭环。企业选型应组合这些层次，而不是寻找一个号称包治百病的“记忆框架”。

参考文献与资料

A. 2026 年学术论文（15 篇，均为 2026 年首次公开）

• P01
  Du, Pengfei. Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers. 2026-03-08，arXiv 预印本。提出 write–manage–read 闭环与三维分类，讨论压缩、检索、反思、层级虚拟上下文和策略学习。原文
• P02
  Luo, Jinghao, et al. From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms. Findings of ACL 2026，2026 年 7 月，41622–41652。提出 Storage、Reflection、Experience 演进框架。ACL Anthology
• P03
  Huang, Wei-Chieh, et al. A Survey of Agent Memory in the Second Half: Towards Self-Evolving and Long-Horizon Agents. 2026-01-14 首发，v4 2026-08-04；TMLR Survey Certification。统一载体、认知机制、记忆主体，讨论可学习记忆操作。原文
• P04
  Zhou, Wei, et al. Are We Ready For An Agent-Native Memory System?. 2026-06-23，arXiv 预印本。12 系统、2 基线、5 类负载、11 数据集；无架构全面占优，局部维护更具成本效率。属公开代码的产学联合评测，不等同完全独立第三方。原文
• P05
  Jiang, Dongming, et al. Anatomy of Agentic Memory: Taxonomy and Empirical Analysis of Evaluation and System Limitations. 2026-02-22 首发，v2 2026-05-20，arXiv 预印本。分析基准饱和、指标有效性、基座敏感与系统成本。原文
• P06
  Omri, Yasmine, et al. Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads. 2026-06-04 首发，v2 2026-09-22，arXiv 预印本。分阶段剖析 10 个系统的构建、检索和生成成本。原文
• P07
  Wu, Yanchen, et al. Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework. 2026-04-02 首发，v3 2026-08-06，arXiv 预印本。在统一框架下比较模块化记忆方法。原文
• P08
  Yu, Yi, et al. Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents. 2026-01-05 首发，v3 2026-07-23；ACL 2026 SAC Highlight。AgeMem 以工具动作和强化学习统一长短时记忆管理。原文
• P09
  Xia, Menglin, et al. Memora: A Harmonic Memory Representation Balancing Abstraction and Specificity. ICML 2026，2026-02-03 首发。主抽象、富内容与 cue anchors 解耦存储和检索。原文；会议页
• P10
  Ji, Shuo; Li, Yibo; Hooi, Bryan. Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents. ICML 2026，2026-06-04。MRAgent 以 Cue–Tag–Content 图和主动重建处理分散证据。原文
• P11
  Sidik, Bronislav; Rokach, Lior. MEMTIER: Tiered Memory Architecture and Retrieval Bottleneck Analysis for Long-Running Autonomous AI Agents. 2026-05-05 首发，v3 2026-05-25；在审预印本。分层情景/语义记忆；PPO 性能仍待验证，成绩按作者自报理解。原文
• P12
  Li, Yifei, et al. Locomo-Plus: Beyond-Factual Cognitive Memory Evaluation Framework for LLM Agents. 2026-02-11，arXiv 预印本。检验提示与原始约束语义脱节时的隐式约束保持。原文
• P13
  Dash, Pritam, et al. From Untrusted Input to Trusted Memory: A Systematic Study of Memory Poisoning Attacks in LLM Agents. 2026-06-03 首发，v2 2026-06-18，arXiv 预印本。提出写入渠道、漏洞、攻击分类和 MPBench。原文
• P14
  Pulipaka, Sidharth, et al. Hidden in Memory: Sleeper Memory Poisoning in LLM Agents. 2026-05，arXiv 预印本。研究可休眠、跨会话检索并影响行为的持久化记忆攻击；数值为作者在特定模型和设置下的结果。原文
• P15
  Weiß, Tobias. Agent Memory Research in 2026: A Data-Driven Survey and Extended Taxonomy. 2026-06-21，Zenodo 研究报告（v1.0.0）。以持续目录扩展记忆研究分类，覆盖时间动力学、多模态、生物启发与评测缺口。记录与全文入口

B. 2026 年产业专题与官方研究资料

• F16
  Microsoft Research. Memora: A Harmonic Memory Representation Balancing Abstraction and Specificity. 2026。研究解读及代码入口；其中最高 98% token 节省为作者特定设置的结果。官方博客
• F06
  LangChain. How To Give Your Agent Memory. 2026-06-24。提出 Observability → Engine → Context Hub 的持续记忆改进闭环。官方专题
• F17
  Mem0. State of AI Agent Memory 2026: Benchmarks & Trends Report. 2026。产业专题，含基准和集成观察；性能为厂商自报，不与独立结果混排。官方报告

C. 项目官方文档与代码（核查日期：2026-11-01）

• F01
  Hermes Agent：持久记忆文档；session_search 源码。
• F02
  OpenHuman：当前 Memory 文档；Memory v2 规范；隐私与安全；历史 Memory Tree。
• F03
  OpenClaw：记忆架构；记忆概览；Dreaming；Provenance 与删除。
• F04
  LangGraph：Memory；Stores；Add and Manage Memory。
• F05
  LangSmith：Observability Concepts；Administration。
• F07
  Mem0：How It Works；Add Memories；2025 论文（历史对照，不计入 2026 文献数）。
• F08
  Graphiti / Zep：Graphiti Overview；Search；Namespacing；Provenance。
• F09
  Letta：MemFS；Context Repositories；MemGPT 论文（历史对照）。
• F10
  Cognee：Overview；Remember；Forget；数据隔离。
• F11
  MemOS：GitHub；核心概念；记忆生命周期。
• F12
  A-MEM：研究论文（2025，历史对照）；实现。
• F13
  CrewAI：Memory。
• F14
  Microsoft：Agent Framework 1.0；Memory；AutoGen 仓库状态。
• F15
  LangMem：Conceptual Guide；Background Quickstart。

资料使用限制：项目处于快速迭代期，本文以核查时点的官方 main 分支与文档为基线，不将其视为长期稳定承诺；未能公开核验的 CortexDB 内部索引、belief 算法和部分托管服务质量指标均保留为不确定项。

— 报告正文完 · 所有资料以研究截止日可访问版本为准 —