[CL]《General Agentic Memory Via Deep Research》B.Y. Yan, C Li, H Qian, S Lu... [Beijing Academy of Artificial Intelligence] (2025) 全新AI记忆系统：General Agentic Memory（GAM）记忆对AI智能体至关重要，但传统静态记忆方式常因信息压缩导致严重信息丢失。为此，GAM提出“即时编译（JIT）”理念：在线时根据任务需求深度检索与整合，离线时仅保留简洁关键记忆。核心架构由两部分组成：1. 记忆者（Memorizer）——离线阶段提炼关键历史信息，生成轻量摘要，并将完整历史存储于“页面库”。2. 研究者（Researcher）——在线请求时，基于轻量记忆策划检索方案，多轮深度搜索页面库，迭代反思直至信息满足需求，生成高度定制化语境。GAM优势显著：- 高保真且任务适应性强，能动态生成高效记忆支持复杂推理。- 域无关，摆脱手工设计和领域限制，具备良好泛化能力。- 可端到端优化，利用强化学习持续提升性能，测试时计算可扩展。实验证明GAM在多个长上下文与多跳推理任务（LoCoMo、HotpotQA、RULER、NarrativeQA）中均显著超越现有记忆方法和无记忆基线。特别在复杂多跳追踪任务中，准确率提升超过30%。技术细节值得关注：- 研究者模块对模型容量要求更高，深度反思与多工具（向量检索、关键词检索、ID检索）结合推动性能提升。- 测试时增加反思深度和检索页数带来持续性能增长，体现即时编译的可扩展性。- 结合检索页面源信息能进一步缓解整合时的细节丢失。效率方面，GAM离线构建与在线服务时间与主流记忆方法相当，整体性价比优异。总结一句话：GAM将AI记忆从“提前压缩”转向“即时深度研究”，开辟了高效处理海量历史信息的新路径，助力AI智能体更精准、高效地完成复杂任务。论文与项目地址：arxiv.org/abs/2511.18423 github.com/VectorSpaceLab/general-agentic-memory
