记忆管理

隐式存储于模型参数之中的知识，可为多智能体AI系统实现无需上下文的快速知识检索

对特定经历与事件按时间索引的记忆，为多智能体AI系统存储智能体交互的自传式历史

脱离具体获取情境的通用世界知识系统，为多智能体AI系统支撑事实性知识与概念间关系

用于存储与检索知识的共享系统，通过分布式认知处理来扩展多智能体群体的能力

基于新近性、相关性与重要性，对记忆访问模式进行读取、写入与管理的系统化操作，服务于多智能体AI系统

具有不同保留策略的多层级记忆结构

以预定义、可解释格式组织的记忆，为多智能体AI系统支撑符号推理与精确查询

显式且与模态无关的记忆系统，为多智能体AI系统跨异构输入存储信息

随时间推移对记忆进行强化与组织的过程

面向主动认知处理的短期上下文管理

分布于多个智能体、具备协调访问模式与一致性机制的可扩展记忆系统

对当前上下文相关信息的选择性聚焦

为多智能体AI系统，将推理模式与知识存储于连续的潜空间表示之中

为智能体赋予一条由带时间戳的观察构成的记忆流，检索时不仅依据相似度，而是采用新近性、重要性与相关性的加权评分。智能体会定期进行反思，从近期记忆中综合出更高层次的洞见，并将其写回记忆流，从而引导未来的规划。这一设计源自斯坦福的 generative agents（Smallville）研究。

一种智能体记忆底座，将事实存储为知识图谱中的边，每条边都带有明确的双时态有效性：有效时间（该事实在现实世界中为真的时间段）和事务时间（被摄入的时间）。当新信息与已有事实相矛盾时，该边不会被删除，而是通过写入 t_invalid 时间戳来使其失效，从而使图谱能够回答在何时曾相信过什么，并且绝不会将陈旧的事实当作当前事实提供。这正是 Zep 与 Graphiti 的设计。它区别于 `semantic-memory-networks` 以及知识表示中静态的 `knowledge-graph-construction` 模式，后者所建模的图谱没有时间维度，也没有事实取代机制。

对智能体丢弃什么（而非保留什么）进行显式治理：基于时间的过期（TTL）、基于使用频率和相关性的衰减（艾宾浩斯式的指数衰减，每次访问某一条目时都会得到强化）、对仍然相关但已不再为真的事实进行陈旧性检测，以及为满足被遗忘权和 GDPR 第17条合规而进行的硬删除。无限制的记忆会以可测量的方式降低智能体性能，因此遗忘是一等的设计维度。它区别于 `memory-consolidation`（将记忆压缩并抽象为图式，是相反的操作），也区别于 `generative-agents-memory`（仅将近因衰减用作检索评分，而非驱逐或删除策略）。