微软研究院推出 Memora，这是一个可扩展的智能体记忆框架，旨在为长周期 AI 任务平衡抽象与具体性。该系统将丰富的记忆内容与轻量级的检索结构解耦，在基准测试中创下新的最先进成果，同时最多减少 98% 的上下文 token。

  • Memora 将存储的内容（丰富记忆内容）与检索方式（轻量级抽象和提示锚点）解耦。
  • 每个记忆条目包含一个用于基于嵌入搜索的主要抽象（6–8 个词）以及保存完整细节的记忆值。
  • 提示锚点提供灵活、上下文感知的标签，作为访问记忆的替代路径，无需僵化的本体论。
  • 在 LoCoMo 和 LongMemEval 基准测试中，该系统优于 Mem0、RAG 和全上下文推理。

这种方法解决了保留细粒度细节与高效组织记忆之间的权衡，使智能体能够在不重读整个对话的情况下导航其历史。