跳转至

告别「碎片化」记忆：中科院开源轻量级内存原生Agent记忆系统Mandol

Ch04.022 告别「碎片化」记忆：中科院开源轻量级内存原生Agent记忆系统Mandol

📊 Level ⭐ | 4.6KB | entities/告别碎片化记忆中科院开源轻量级内存原生agent记忆系统mandol.md

告别「碎片化」记忆：中科院开源轻量级内存原生Agent记忆系统Mandol

随着 LLM Agent 在智能客服、个人助理、社交陪伴和医疗辅助等场景中的应用拓展，其交互模式正从单轮问答走向长周期、多任务的持续协作。

在这一过程中，Agent 的记忆模块不仅需要存储跨会话、多类型的信息，如对话内容、用户意图、实体状态和事件脉络，还需要在复杂查询中提供准确、可追溯且低延迟的证据支撑。

然而，当前主流记忆系统通常依赖向量数据库、图数据库和关系型存储的异构组合，容易造成记忆表示碎片化、跨库查询开销高；同时，其检索机制多采用 RAG 式的被动相似度匹配，容易引入噪声、遗漏关联线索且缺乏 Token 预算控制，导致检索质量不稳定。

核心观点

本文通过article、agent、cas视角，分析了的技术进展和应用场景。

随着 LLM Agent 在智能客服、个人助理、社交陪伴和医疗辅助等场景中的应用拓展，其交互模式正从单轮问答走向长周期、多任务的持续协作。

在这一过程中，Agent 的记忆模块不仅需要存储跨会话、多类型的信息，如对话内容、用户意图、实体状态和事件脉络，还需要在复杂查询中提供准确、可追溯且低延迟的证据支撑。

然而，当前主流记忆系统通常依赖向量数据库、图数据库和关系型存储的异构组合，容易造成记忆表示碎片化、跨库查询开销高；同时，其检索机制多采用 RAG 式的被动相似度匹配，容易引入噪声、遗漏关联线索且缺乏 Token 预算控制，导致检索质量不稳定。

针对这些挑战，中国科学院软件研究所等机构的研究团队提出了 Mandol：一种凝聚式内存原生分层记忆系统，其核心思想是将碎片化的记忆表示与异构存储凝聚为统一的内存原生架构。

  • 论文标题：Mandol: An Agglomerative Agent Memory System for Long-Term Conversations

  • arXiv 论文链接：https://arxiv.org/pdf/2606.29778

  • 项目地址：https://github.com/AgentCombo/Mandol

Mandol 通过分层记忆模型、统一内存语义数据结构和智能量化检索机制三方面协同设计，将碎片化的记忆表示与存储凝聚为统一架构，为 Agent 提供兼顾表示能力、检索效率与上下文质量的记忆底座。

在 LoCoMo 和 LongMemEval 两项公开长对话记忆评测基准上，Mandol 在所比较的代表性开源记忆系统中取得最优总体准确率；在以 GPT-4.1-mini 作为回答生成模型的设置下，其整体准确率分别达到 92.21% ...

技术洞察

本文的核心技术价值在于： - 随着 LLM Agent 在智能客服、个人助理、社交陪伴和医疗辅助等场景中的应用拓展，其交互模式正从单轮问答走向长周期、多任务的持续协作。

在这一过程中，Agent 的记忆模块不仅需要存储...

→ 原文存档

关联