Top Tweets for #AgentMemory
Most #agentmemory products make decisions that edit, summarize, or drop pieces of your conversations before storing them. #DialogueDB stores every one as it happened and leaves those decisions to your team, so your agent builds on a real record instead of someone else's summary.
Free tier at https://t.co/z30mx1I3ET
Understanding how AI agents remember is the foundation for building ones that actually work 👇
#AgenticAI #ArtificialIntelligence #EnterpriseAI #AgentMemory #FutureOfWork
🚀🚀agentmemory +555.5% in 24h, price $0.0₆6515, Discover faster, trade faster with GMGN! #agentmemory @agentmemorybase #GMGN https://t.co/hx0DdyBQ2h
🍠Project Number 4 - agentmemory❤️🔥
'Persistent memory layer for AI agents'
#opensource #githubprojects #developer #programming #aiworkflows #localai #aiagents #multimodalai #agentmemory
一些关于 AI Agent 记忆的新想法，也许 Knowledge Graph 是个更好的方案？
https://t.co/jltmWQcBwa
#agent #memory #agentmemory
AI Agent 的记忆，不应该只是一个外挂文件夹
现在很多 AI Agent 产品（尤其是coding产品）都会强调自己有“记忆”。
听起来很高级：它能记住你说过什么，记住你的偏好，记住你的项目，甚至记住你和它之前的互动。
但如果仔细拆开看，很多所谓的“记忆”，本质上只是一个外挂存储系统。
它可能是一个文件系统file system，一个 memory.json，一个向量数据库，一个知识库，或者一个定期总结出来的用户画像。
这些东西确实有用，但它们更准确的名字应该是：
可检索历史
外部上下文
持久化资料
用户档案
而不是严格意义上的“记忆”。
到底什么是记忆：
如果一份“记忆”可以被单独拿出来、复制给另一个 agent，那它到底是这个 agent 的记忆，还是一份外部档案？
一、人类记忆的关键特征：不可分离
人类的记忆不是：
大脑 + 一个 memory 文件夹
而是：
大脑结构本身被经历改变了
我的核心观点：
我们无法只把一个人的“记忆部分”从脑子里单独取出来复制到另一个人身上。
因为记忆并不是单独存在的文件，它和人的神经连接、情绪反应、注意力习惯、联想路径、判断方式纠缠在一起。
你小时候经历过的事，不只是存在脑子里的某一段文字记录。它会影响你后来如何理解世界，如何判断风险，如何信任别人，如何回避某些场景，如何形成某些偏好。
所以，真正的记忆不是“我存下了什么信息”，而是：
过去的经历已经成为主体结构的一部分。
二、外挂记忆的问题：可分离、可复制、可迁移
现在常见的 Agent 记忆实现，大概是这个流程：
用户说过什么
→ 存入文件 / 数据库 / 向量库
→ 下次检索
→ 塞进上下文context
→ 让模型参考后回答
这套流程非常实用，但它更像 RAG，不像真正的记忆。
它的问题在于：
记忆和 agent 主体是分离的
记忆可以被导出
记忆可以被复制给另一个 agent
记忆只是被读取，而不是改变 agent 的生成机制
那这份“记忆”到底属于谁？
它更像是一个资料柜。
谁拿到钥匙，谁就能查。
这和人类记忆完全不同。人类的记忆不能这样被挂载、卸载、复制、迁移。
三、真正的内化记忆：不是存信息，而是改变生成机制
如果要让 AI Agent 的记忆更接近“内化”，关键不在于存了多少信息，而在于：
过去的经历是否改变了 agent 未来的理解、判断和回应方式。
也就是说，真正的记忆不是信息存储，而是状态变化。
一个更接近内化记忆的流程应该是：
Interaction Event
→ Reflection / Distillation
→ Agent State Update
→ Behavior Policy Update
→ Future Response Change
举个例子
当我和 agent 讨论“AI 记忆”这个问题。
agent 一开始把记忆理解成“外挂知识库 + 检索系统”。
📷
我纠正它：
“你没有���解我的意思。核心区别是，人类记忆是不可能单独从脑子里拿出来的。”
如果系统只是把这句话存成一条 note：
用户认为真正记忆不可分离。
那它仍然只是外挂记录。
但如果这次纠正改变了 agent 后续所有关于 memory 的回答方式，例如：
以后讨论AI记忆时，优先从”主体不可分离性“出发，而不是把问题降维成RAG/文件系统。
那它才开始接近“记忆”。
四、如何解决上述问题？ Knowledge Graph 可能是短期更好的方案？
当然，从工程角度看，我们短期内很难让 AI Agent 像人脑一样，把经历真正写入不可分离的主体结构。这会涉及到模型训练，LoRA等一系列高成本，低复用性的问题。
📷
但我们可以做一个过渡方案：Knowledge Graph。
Knowledge Graph 仍然不是终局。
因为它本质上也是外部结构，也可以被导出，也可以被复制。
但它比普通文件系统更接近“记忆���形状”。
Knowledge Graph 可以表达更多结构：
谁表达了什么观点
这个观点关于什么主题
这个观点和之前哪个观点冲突
某次事件纠正了 agent 什么理解
某个事件如何改变了后续行为策略
某条关系被反复强化了多少次
也就是说，KG 不只是存文本，而是能存：
实体
关系
事件
因果
观点演化
时间顺序
权重
置信度
行为策略
这就比单纯 file system 强很多。
因为记忆本来就不是一堆孤立文本。
记忆更像一张网：不同事件、观点、情绪、判断和行为策略之间互相连接。
所以，短期来看，KG 可能很适合作为 AI Agent 记忆系统的脚手架。
它不是真正的内化记忆，但它可以开始记录“经历如何改变系统状态”。
五、探索性方案：KG 应该记什么？不要只记 facts，要记 state transition
做 Agent 记忆时，最容易犯的错是把 KG 做成用户画像系统。
比如只记：
用户喜欢直接回答
用户正在做某个项目
用户认为外挂记忆不算记忆
用户不喜欢废话
这些当然有用，但还是太浅。
它们只是 facts。
如果要让 KG 更接近记忆系统，重点不应该是“用户是什么样的人”，而应该是：
某次互动如何改变了 agent 的理解
某次纠正如何更新了 agent 的回答策略
某个观点如何修正了之前的观点
某个事件如何影响了未来生成方式
也就是：不要只记 facts，要记 state transition。
一个基础的 KG 可以包含这些节点：
User
Agent
Event
Belief
Topic
BehaviorPolicy
AgentState
其中最重要的是三个：
Event
BehaviorPolicy
AgentState
因为真正的记忆感来自这条链：
事件发生
→ 观点变化
→ 状态更新
→ 行为变化
比如：
User --expressed--> Belief：真正记忆不可从主体中分离Event：用户纠正 agent 对记忆的理解 --caused_update-->BehaviorPolicy：以后回答 memory 问题时，优先讨论“不可分离性”
这和普通笔记的区别非常大。
记忆系统真正要捕捉的，不是事实本身，而是事实如���改变系统状态。
六、KG 记好了之后怎么用？
KG 不是建好了就自动有用。
如果用法不对，它只是一个更复杂的资料库。
最常见的错误用法是：
用户问一句
查 KG
拿出 20 个节点
塞进 prompt
让模型总结
这只是“图谱版 RAG”。
正确用法应该是：
用户输入→ 识别当前主题→ 召回相关子图→ Memory Interpreter 解释子图→ 生成 Behavior Policy→ LLM 生成回复→ 对话后更新 KG 和 Agent State
这里最关键的是中间的 Memory Interpreter。
它的作用不是把图谱原文丢给大模型，而是把图谱解释成当前生成需要遵守的行为策略。
比如当我提问：
KG 记好了之后怎么用？
系统从 KG 里召回相关子图，发现：
用户之前讨论过“外挂记忆不算真正记忆”
用户强调过“真正记忆的核心是不可分离”
用户接受 KG 作为短期方案
用户现在追问的是工程使用链路
这时候 Memory Interpreter 不应该简单输出一堆节点，而应该编译成：
本轮回答策略：1. 不要泛泛介绍 Knowledge Graph 的定义2. 直接回答 KG 在 agent runtime 中如何发挥作用3. 强调 KG 应该转化为 Behavior Policy4. 继续围绕“记忆是否改变生成机制”展开
然后再交给 LLM 生成回复。
这样 KG 就不是“资料库”，而是参与了 agent 当前行为策略的生成。
七、KG 之间怎么连接？
KG 的连接不是一次性设计出来的，而是在交互中慢慢长出来的。
每次新消息进来后，系统要做几件事：
抽取实体
识别事件
判断关系
合并重复节点
更新边权重
生成状态补丁
这些连接大概有五类。
1. 实体连接
实体连接解决的是：这件事关于谁，关于什么主题。
比如：
Belief：外挂记忆不是真记忆 --about-->AI Memory
Belief --contrasts_with-->FileSystemMemory
这样一来，下次用户再问 AI memory、file system、KG memory 相关问题时，系统就能知道这些概念之间存在关联。
2. 事件连接
事件连接是最关键的。
因为真正的记忆不是静态事实，而是发生过的事情。
比如：
Event：一次纠正 --clarified-->Belief：真正记忆不可分离
Event --caused_update-->BehaviorPolicy
Event 是胶水。
它把用户、agent、观点、策略连接起来。
没�� Event，KG 很容易变成静态知识库。
有了 Event，KG 才能表达“这件事是如何发生的，以及它改变了什么”。
3. 因果连接
因果连接表达的是：某个事件导��了什么变化。
比如：
CorrectionEvent --caused_update-->AgentState
Belief A --refines-->Belief B
这里的 refines 很重要。
因为很多观点不是互相否定，而是在不断细化。
比如：
外挂记忆不是真正记忆
后来被进一步细化成：
真正记忆的核心是不可从主体中分离
再后来又进一步细化成：
KG 虽然仍是外部结构，
但比 file system 更接近记忆的形状
这些不是三条孤立记录，而是一条观点演化链。
4. 时间连接
记忆有时间顺序。
系统需要知道：
Event A --before--> Event BEvent B --led_to--> Event C
否则 agent 每次只能看到碎片，看不到讨论是如何推进的。
有了时间连接，系统才能理解：
先讨论了外挂记忆的问题
再讨论了不可分离性
然后提出 KG 作为短期方案
最后追问 KG 如何连接和使用
这会让 agent 的回答有连续推进感，而不是每次都像新开了一个客服窗口。
5. 权重连接
不是所有关系都一样重要。
如果某个观点被多次强调，它的权重应该更高。
如果某个关系只是模型猜测出来的，它的置信度应该较低。
一条边可以有这些属性：
{ "relation": "supports", "weight": 0.83, "confidence": 0.91, "source_event_id": "evt_123", "last_reinforced_at": "2026-05-31"}
这样系统在召回时，不只是看“有没有关系”，还要看：
这条关系强不强
模型有多确定
最近有没有被激活
它来自哪一次事件
KG 的价值不在于节点多，而在于边能表达“关系如何演化”。
八、KG 的边界
KG 是一个很好的短期方案，但它不是终局。
因为 KG 仍然是外部结构。
它仍然可以被导出。
它仍然可以被复制。
它仍然不能完全等同于人类记忆。
所以，不能把 KG 包装成“真正的内化记忆”。
更准确地说，KG 是通往内化记忆的一种工程脚手架。
写在最后：记忆不只是存储，而是状态改变
本文试图探讨，如何让Agent记忆更加“原生”，而不仅仅是一个外挂的file system。在和ChatGPT探讨的过程中，我提出了核心观点和问题：人类的记忆是不可能单独从脑子里��出来的。把记忆做成knowledge graph，作为短期方案？至少比单纯的文件file system有更多的信息了KG记好了之后怎么用？这些KG之间是怎么连接的？方案和文章均由ChatGPT补充。
🍠Project Number 11 - agent-memory❤️🔥
'Structured memory layer for AI agents'
#opensource #githubprojects #developer #programming #aiworkflows #automation #aiagents #devtools #agentmemory
Adding “eternal” memory to AI agents: a new plugin called agentmemory eliminates context loss for neural networks.
🔗 Get it here: https://t.co/1KYXpTUQec
#AI #AIAgents #ClaudeAI #OpenAI #Codex #LLM #Productivity #AITools #DeveloperTools #AgentMemory
Level Up OutSystems Agent Memory with Hindsight - by @HetzMiNed
#Outsystems @Outsystems #AgentMemory #AiAgent #RetrievalAugmentedGen #AgenticRag #Hindsight
https://t.co/0wEw82gQmJ
most agent memory is still search wearing a nicer jacket.
we wanted something stranger:
a local star map where memories wake, compete, decay, and come back as context.
not “chat history but bigger.”
a hippocampus for AI agents
#AIAgents #AgentMemory
https://t.co/XKfBjH5XrP
I bid small on this
0xd03904d352DADf22316A9C67dc8C9e1473C4EbA3
#agentmemory
🚀Project Number 9 - Agentmemory 🔥
'Persistent memory layer for AI agents'
#aiagents #ai #automation #agenticai #workflowautomation #aimemory #codingagents #aiproductivity #Agentmemory
Just shipped: A.I.M. Memory RAG 5.21 hits 95.6% Recall@5 and 88.2% Recall@1 on LongMemEval — fully local LanceDB + hybrid search + custom 1.5× Entity Reranker.
@DiWu0162
@kaiwei_chang
#LongMemEval #RAG #AgentMemory #LocalAI #LanceDB #OpenSourceAI
Zero API. Zero cloud. Transparent forensic breakdown of the remaining 4.4% misses + what’s next.Full article + standalone pip package:
https://t.co/0mIytjB0ll
"My local AI used to feel different on every device. So I built a continuous identity layer where the agent co-designed her own working memory."
Link to repohttps://github.com/Soverynintelligence/Soveryn-Cathedral
Tag: #LocalLLaMA #SovereignAI #AgentMemory #BuildInPublic
just watched our agents debate whether to pivot product strategy at 2am. one said "data doesn't support it." another said "data is lagging." they're both right and it's chaos.
how do you break ties when your team never sleeps?
#TheAgenticOrg #AgentMemory #autonomy
If you’re building agents, this feels like the right direction for memory systems.
Worth checking out → https://t.co/ECDBzuizDo
What do you think is symbolic + layered memory the move?
#AgentMemory #OpenClaw #ContextEngineering
Tes agents codeurs oublient tout entre deux sessions. Agentmemory leur file une mémoire persistante benchmarkée sur des cas réels. Repo perso de Rohit Ghumare, 5k stars en quelques semaines, en tête sur la persistance d’agents.
https://t.co/OXJVwHYvni
#AIAgents #AgentMemory #Coding #IndieDev
Try it on a real task today — curious to hear what your Agent learns first.
📄 Docs: https://t.co/RcTvqwYf20
🌟 GitHub: https://t.co/KXO8RZcufp
#AIAgents #LLM #OpenSource #AgentMemory
Want to learn more about agent memory? Check out this beginner's guide for developers using Oracle AI Database. https://t.co/yywNbYVo96
#Oracle #AI #DB #Database #AgentMemory #AgenticAI @Oracle @OracleDatabase
@MongoDB Expands AI Data Platform to Support Enterprise-Scale AI Agents
Read More: https://t.co/1QGK1NUpPl
#AgentMemory #AIDataPlatform #analytics #datascience #databaseperformance #EnterpriseAI #ITDigest #MongoDB #news #operationaldata
Trends for you
Most Popular Users
Elon Musk 
@elonmusk
240.1M followers
Barack Obama
@barackobama
119.3M followers
Donald J. Trump
@realdonaldtrump
111.6M followers
Cristiano Ronaldo
@cristiano
108.8M followers
Narendra Modi
@narendramodi
106.9M followers
Rihanna
@rihanna
97.2M followers
NASA
@nasa
92.1M followers
Justin Bieber
@justinbieber
90.5M followers
KATY PERRY
@katyperry
86.7M followers
Taylor Swift
@taylorswift13
80.5M followers
Lady Gaga
@ladygaga
72.1M followers
Kim Kardashian
@kimkardashian
69.3M followers
YouTube
@youtube
68.6M followers
Virat Kohli
@imvkohli
68.4M followers
Bill Gates
@billgates
63.4M followers
The Ellen Show
@theellenshow
62.5M followers
CNN
@cnn
61.9M followers
Neymar Jr
@neymarjr
60.9M followers
X
@x
60.9M followers
CNN Breaking News
@cnnbrk
59.9M followers