GraphMemory：解耦记忆与上下文
原文标题：Decoupling Memory from Context: Structured Memory for Token-Efficient Test-Time Continual Learning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对持续向共享上下文追加信息导致token成本上升、窗口受限与性能退化的问题，提出上下文优化的统一形式化，将智能体记忆更新视为对上下文的优化更新。据此设计GraphMemory轻量图记忆，累积、精炼并连接可复用策略，每次仅检索相关子图，在有界检索下记忆量恒定，构建token较基线减少约81-85%。
- 问题
- 智能体持续向共享上下文追加记忆导致token成本上升、窗口受限与性能退化。
- 方法
- 将记忆更新形式化为上下文优化，用轻量图记忆只检索相关子图。
- 结果
- 构建token较基线减少约81-85%。
- 影响
- 为企业级长时运行智能体提供可扩展的低成本记忆方案。
深读 · 结论先行AI 生成展开看要点与影响 ↓
GraphMemory把智能体记忆更新视为上下文优化，检索子图使构建token较基线减少约81-85%。
- •问题指向持续向共享上下文追加信息带来的token成本上升、窗口受限与性能退化
- •提出上下文优化的统一形式化，将智能体记忆更新解释为对模型上下文的优化更新
- •GraphMemory为轻量图记忆，累积、精炼、组织并连接可复用策略
- •每次查询仅检索相关子图，在有界检索下记忆量保持恒定
- •构建token较基线减少约81-85%
为什么重要：对需要长期积累领域经验的智能体，它给出「不把全部记忆塞进上下文」的可量化方案，直接关系推理成本与可扩展性。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。