القائمة
Agent Memory Characterization and System Implications - LLM代理内存系统的首次系统性特性分析和10项系统建议
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/hiyenwong/ai_collection --skill agent-memory-system-implicationsيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| name | agent-memory-system-implications |
| description | Agent Memory Characterization and System Implications - LLM代理内存系统的首次系统性特性分析和10项系统建议 |
| version | 1.0.0 |
| category | systems-engineering |
| tags | ["agent-memory","long-horizon","stateful-workloads","memory-systems","llm-agents","profiling","taxonomy","system-implications"] |
| activation_keywords | ["agent memory","long-horizon tasks","stateful agents","memory retrieval","fact stores","memory construction","fleet-scale","freshness-latency"] |
| arxiv_id | 2606.06448v1 |
| authors | Yasmine Omri, Ziyu Gan, Zachary Broveak, Robin Geens, Zexue He, Alex Pentland, Marian Verhelst, Tsachy Weissman, Thierry Tambe |
| published | 2026-06-04T00:00:00.000Z |
这是首个对LLM代理内存系统进行系统性特性分析的研究。论文提出了系统导向的分类法，构建了阶段感知的性能分析框架，对10个代表性系统进行了详细特性分析，并推导了10项系统建议，涵盖构建调度、能力底线、查询量摊销、新鲜度-延迟权衡和舰队规模管理。
代理内存系统沿四个轴分类：
将成本归属到三个阶段：
┌─────────────────────────────────────────────────────────┐
│ Agent Memory Lifecycle │
└─────────────────────────────────────────────────────────┘
│
▼
┌────────────┐ ┌────────────┐ ┌────────────┐
│ Construction│ → │ Retrieval │ → │ Generation │
│ (Write) │ │ (Read) │ │ (Use) │
└────────────┘ └────────────┘ └────────────┘
Cost_1 Cost_2 Cost_3
Construction阶段成本:
Retrieval阶段成本:
Generation阶段成本:
| 系统 | 结构 | 提取 | 控制流 | 粒度 |
|---|---|---|---|---|
| Mem0 | Flat |
| LLM-mediated |
| Agentic |
| Fact |
| Letta | Hierarchical | LLM-mediated | Agentic | Fact |
| LangMem | Hierarchical | Consolidating | Hybrid | Fact |
| MemGPT | Hierarchical | LLM-mediated | Agentic | Document |
| GraphMem | Graph | LLM-mediated | Passive | Fact |
| ... | ... | ... | ... | ... |
论文发现设计选择如何将成本转移到写路径和读路径：
写路径成本增加的设计:
读路径成本增加的设计:
Construction Scheduling:
# 延迟构建策略
def lazy_construction(query):
if memory_needs_update(query):
trigger_background_construction()
return retrieve_existing_memory()
Capability Floors:
关键指标：
Amortization via Query Volume:
成本摊销公式： $$Cost_{amortized} = \frac{C_{construction}}{N_{queries}} + C_{per_query}$$
Freshness-Latency Tradeoffs:
权衡曲线：
Freshness ↑ │ /
│ /
│ /
│ /
└───────────→ Latency
Low High
Fleet-Scale Management:
舰队管理架构：
┌──────────────────────────────────────┐
│ Fleet Memory Manager │
│ ┌────────┐ ┌────────┐ ┌────────┐ │
│ │ Agent1 │ │ Agent2 │ │ Agent3 │ │
│ └────────┘ └────────┘ └────────┘ │
│ ↓ ↓ ↓ │
│ ┌─────────────────────────────────┐│
│ │ Shared Memory Pool ││
│ │ (Index | Store | Sync) ││
│ └─────────────────────────────────┘│
└──────────────────────────────────────┘
根据查询模式选择索引：
多级缓存策略：
内存压缩策略：
内存系统错误恢复：
系统监控指标：
┌─────────────────────────────────────────────────────────┐
│ Agent Memory System Architecture │
└─────────────────────────────────────────────────────────┘
│
┌─────────────────┼─────────────────┐
│ │ │
▼ ▼ ▼
┌────────────┐ ┌────────────┐ ┌────────────┐
│ Construction│ │ Retrieval │ │ Generation │
│ Module │ │ Module │ │ Module │
└────────────┘ └────────────┘ └────────────┘
│ │ │
└─────────────────┼─────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Shared Memory Pool │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐│
│ │ Index │ │ Storage │ │ Compress │ │ Sync ││
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘│
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Fleet Management & Monitoring │
└─────────────────────────────────────────────────────────┘
# 阶段感知性能分析
class MemoryProfiler:
def profile_construction(self, memory_system):
costs = {
'collect': measure_collection_time(),
'extract': measure_extraction_time(),
'index': measure_indexing_time(),
'store': measure_storage_time()
}
return costs
def profile_retrieval(self, memory_system, query):
costs = {
'query_enc': measure_query_encoding(),
'sim': measure_similarity(),
'rank': measure_ranking()
}
return costs
def profile_generation(self, memory_system, context):
costs = {
'assemble': measure_assembly(),
'llm': measure_llm_inference(),
'output': measure_output_gen()
}
return costs
根据任务需求选择内存系统：
根据成本分布优化：
两个基准套件测试：
当遇到以下问题时使用此技能：
本论文提供了首个LLM代理内存系统的系统性特性分析，提出了创新的四轴分类法、阶段感知性能分析框架，并通过10个系统的特性分析揭示了设计选择如何影响成本分布。10项系统建议为实际部署提供了实用指导，是系统工程学在AI代理系统领域的系统性研究成果。