论文阅读标签_AI Agent技术社区

论文阅读

【论文阅读】Agent 记忆机制（33）：MemMachine——以原始对话为真相源的可追溯长期记忆

用户有哪些稳定偏好；过去发生过什么；用户曾经做过哪些决定；某个偏好是什么时候改变的；当前问题与哪些历史对话有关。接收一轮对话↓调用 LLM 提取事实↓判断新增、更新或删除↓只保存提取后的记忆我以前喜欢靠窗座位，但最近因为要经常活动，现在更喜欢过道座位。用户喜欢过道座位。对于一般的个性化推荐，这条记忆可能已经足够。我以前喜欢什么座位？为什么后来改变了？原始偏好是什么；新偏好是什么；偏好什么时候发生变

 weixin_45642847
2026-08-08 22:21:39

 547

 18

#论文阅读 #学习 #github +2
【论文阅读】Agent 记忆机制（11）：RMM——用主题记忆与在线强化学习优化长期对话召回

Mem0 关注如何提取事实，并对记忆执行新增、更新、删除和忽略；Zep 使用时序知识图谱保存实体、关系及其历史变化；GAM 通过层级图和语义边界控制记忆固化；MemRL 根据环境奖励学习哪些任务经验真正有用。这些方法让我逐渐意识到，Agent 记忆系统并不只是一个“把历史信息保存下来”的数据库。写入阶段：历史对话应该以什么粒度保存？召回阶段：面对当前问题，应该检索哪些记忆？反馈阶段：系统能否根据实

 weixin_45642847
2026-07-17 23:10:03

 478

 10

#论文阅读 #人工智能
【论文阅读】Agent 记忆机制（2）：记忆机制综述，从Storage、Reflection到Experie

今天抽空读了一篇 Agent 记忆相关的综述，记录一下论文内容。这篇文章的核心问题是：Agent 记忆机制为什么会从简单的“存储”逐渐走向“反思”，再进一步走向“经验”？如果说早期记忆机制解决的是“Agent 如何记住过去”，那么 Experience 阶段更关注的是“Agent 如何从过去的轨迹中总结出可复用经验，并指导未来行动”。记忆机制是 Agent 不可或缺的组成部分。

weixin_45642847
2026-07-08 23:50:20

 482

 12

#论文阅读 #人工智能
【论文阅读】Agent 记忆机制（16）：HiMem——从情节证据到抽象知识的自进化层级记忆

前面已经阅读了 A-MEM、Mem0、RMM、TrustMem、GAM、HORMA、Proactive Memory Agent 等不同类型的 Agent 记忆方法。A-MEM：将记忆组织成能够动态建立链接的记忆卡片。Mem0：从交互中提取事实，并执行新增、更新、删除和忽略。RMM：按照主题组织长期对话，并根据记忆是否被回答引用优化排序。TrustMem：逐步验证记忆更新，减少遗漏、破坏和幻觉。G

weixin_45642847
2026-07-22 23:16:55

 549

 15

#论文阅读 #人工智能 #github +1
【论文阅读】Agent 记忆机制（7）：GAM——基于层级图的事件驱动记忆框架

快速捕捉当前交互中不断出现的新信息；保护已经形成的长期知识，避免被短期噪声污染。现有的记忆系统往往很难同时做好这两点。一类方法采用统一的流式记忆结构，把新的对话内容直接追加或合并到正在使用的记忆中。这种方法更新速度快，也比较适合持续交互，但由于新信息可以直接进入长期记忆，容易带来记忆污染、记忆丢失和语义漂移。另一类方法采用离散的结构化记忆，把信息组织成知识图谱或固定结构。

weixin_45642847
2026-07-13 23:05:03

 599

 22

#论文阅读 #人工智能
论文阅读笔记 | MovieAgent：基于多智能体CoT规划的自动化电影生成

给定剧本摘要SSS和角色库CcharkIkAkk1LC{[charkIkAkk1L（包含角色名、肖像图、音频样本），目标是生成长视频V\hat{V}V，包含多场景、多镜头，同时保证叙事连贯、角色一致和音画同步。FSC→VFSC→V。

chnyi6_ya
2026-08-02 18:43:13

 385

 10

#论文阅读 #自动化
大学生零基础自学编程，先学Python还是Java？2026最新超全对比指南

编程学习的本质，从来不是学一门语法，而是学习编程思维、逻辑能力、工程思想。Java全程贯穿：数据类型、面向对象、封装继承多态、异常处理、集合框架、IO流、多线程。无需复杂环境配置，写完代码即时运行、即时出结果，零基础第一天就能写出计算器、猜数字游戏、简单爬虫，快速获得正向反馈，极大降低弃坑率。目标：熟悉编程逻辑、掌握循环、条件、函数、列表字典、文件操作，能独立写简单脚本、爬虫，建立编程手感，摆脱畏

 IT学业宝藏库
2026-07-20 13:56:26

 230

 6

#python #java #论文阅读 +2
【论文阅读】Agent 记忆机制（9）：Zep——从静态 RAG 到动态时序记忆图

昨天阅读了 Mem0。Mem0 已经不只是一个停留在论文中的研究方案，而是一套面向实际 Agent 应用的长期记忆系统。今天阅读的 Zep 同样具有明显的工程化和生产化导向。在传统 RAG 系统中，外部知识通常来自相对静态的文档库。系统预先把文档切分、向量化并存入数据库，等用户提问时再检索相关片段。产品说明书企业规章制度论文和技术文档长期变化较少的知识库但 Agent 的长期记忆和普通文档检索存在

 weixin_45642847
2026-07-15 22:48:33

 567

 15

#论文阅读 #github #开源 +1
Java、Python、HTML 前端后端如何配合？零基础也能看懂的毕设组合方案

在计算机专业毕业设计中，Java + Python + HTML 是一套非常经典、实用、易过答辩、项目完整性高的技术组合。比如用户登录注册、数据增删改查、权限管理、订单处理、信息审核、数据库操作等关键逻辑，都由 Java 来处理。比如数据分析、图表生成、图片识别、文本处理、推荐算法、预测模型、爬虫数据采集等。HTML 是前端页面的基础，用来做网页结构、按钮、表单、列表、展示页面。简单说，用户打开浏

 IT学业宝藏库
2026-02-23 22:09:30

 70

#java #python #html +2
【论文阅读】Agent 记忆机制（10）：MemRL——从语义召回到价值感知的经验记忆

前面已经阅读了 A-Mem、Memory-R1、LightMem、AgeMem、GAM、Mem0 和 Zep 等多种 Agent 记忆方法。如何提取和更新长期记忆；如何建立记忆之间的结构化关联；如何统一管理短期记忆和长期记忆；如何降低记忆系统的 token 和调用成本；如何用知识图谱保存实体、关系和时间变化。但是，它们大多仍然面临一个共同问题：召回到的记忆虽然在语义上相关，却不一定真的能够帮助 A

weixin_45642847
2026-07-16 22:57:22

 610

 21

#论文阅读 #人工智能 #github +1
【论文阅读】Agent 记忆机制（20）：RecMem——只在信息反复出现时进行长期记忆巩固

如何从交互中提取事实？如何更新已经发生变化的记忆？如何组织记忆之间的关系？如何从长期记忆中召回相关内容？这些方法通常采用一种相对积极的记忆构建策略。读取当前交互↓提取事实或生成摘要↓与已有记忆比较↓执行新增、修改、合并或删除↓写入长期记忆库这种策略的好处是很少遗漏信息，但也带来一个容易被忽视的问题：长期记忆系统不仅在查询时消耗 Token，在构建记忆时同样会持续消耗 Token。假设一个长期运行的

 weixin_45642847
2026-07-26 22:51:48

 565

 16

#论文阅读 #人工智能 #github +2
【论文阅读】Agent 记忆机制（6）：AgeMem——让 Agent 统一管理长期记忆和短期记忆

在现有的大模型 Agent 记忆系统中，短期记忆和长期记忆通常是分开管理的。长期记忆（Long-Term Memory, LTM）：负责保存跨任务、跨会话、可长期复用的信息，例如用户偏好、任务经验、环境知识等。短期记忆（Short-Term Memory, STM）：负责管理当前上下文中的信息，例如当前任务进展、近期观察、工具调用结果和临时推理状态。这两类记忆都很重要。长期记忆能帮助 Agent

weixin_45642847
2026-07-12 22:35:06

 656

 19

#论文阅读 #人工智能 #github +1
【论文阅读】Agent 记忆机制（28）：MEM1——将记忆压缩融入推理，实现近似恒定上下文的长程智能体

搜索多个网页并整合证据；连续调用工具完成复杂任务；在购物网站中多轮浏览、筛选和决策；依次完成多个相互关联的子目标。交互历史会越来越长。用户问题+ 第一次思考+ 第一次搜索请求+ 第一次搜索结果+ 第二次思考+ 第二次搜索请求+ 第二次搜索结果+ ...这种方式虽然简单，但会带来三个问题。第一，推理成本和显存占用会随着上下文不断增长。第二，当任务长度超过模型训练时见过的范围后，模型可能很难泛化到更长

 weixin_45642847
2026-08-03 22:41:27

 591

 15

#论文阅读 #学习 #github +2
Agent-Based Network Architecture and Resource Management for Vehicle-Road-Cloud Collaboration_论文阅读

总结：车端采集情况，路侧先处理和适配，云端做全局学习与调度，三者构成一个闭环智能体系统。

80422
2026-03-26 07:43:36

 433

 4

#论文阅读
【论文阅读】Agent 记忆机制（8）：Mem0——一套可落地的长期记忆生命周期管理框架

之前在自己的 Agent 项目中使用过 Mem0，但当时更多是把它当作一个现成的长期记忆组件：知道它可以存储和检索用户信息，也调用过相关接口，却没有系统了解它背后的方法设计。因此，这次想通过 Mem0 的原始论文，进一步理解这个被广泛使用的 Agent 记忆框架究竟是如何工作的。人类智能在很大程度上依赖记忆。记忆塑造我们的身份，影响我们的决策，也让我们能够从过去的经历中学习、适应环境，并维持长期的

 weixin_45642847
2026-07-14 23:27:52

 480

 9

#论文阅读 #github #人工智能 +1
【论文阅读】Agent 记忆机制（37）：OCR-Memory——用视觉压缩与定位转录保存长轨迹证据

随着 Agent 开始执行网页操作、API 调用、代码调试等长时任务，历史轨迹会迅速膨胀。用户提出的任务；Agent 的中间推理；工具调用参数；环境返回结果；页面状态变化；错误信息与修复过程。这些信息在后续决策中都可能有用。例如，Agent 在几十步之前访问过某个网页，并发现某个按钮只有在特定条件下才会出现。如果这段经历被保留下来，Agent 再次遇到相似页面时，就可以直接复用之前的操作经验。直接

 weixin_45642847
2026-08-12 22:39:30

 577

 13

#论文阅读 #人工智能 #github +2
论文阅读笔记：NEWTON — Agentic Planning for Physically Grounded Video Generation

当前的视频生成模型（Sora、Veo、Wan、LTX-Video 等）已经能生成视觉上非常逼真的视频，但在物理规律层面存在系统性错误：球无缘无故变速、下落的物体无视重力、碰撞违反动量守恒。20 名志愿者对 197 组视频做盲评，NEWTON 在物理正确性（79.8%）和整体质量（47.4%）上均大幅领先 LTX-Video（11.3% / 31.9%）和 Wan2.2（8.9% / 20.7%）。

chnyi6_ya
2026-06-29 20:27:23

 395

 9

#论文阅读
暑假40天极速学Python！大学生零基础保姆级上岸路线（从入门到可做项目）

本文结合零基础学习规律、2026年最新学习路线，整理出一套可直接照搬、每日可落地的暑假Python速成方案，避开90%新手踩坑点，不浪费一分钟时间，适合所有专业大学生自学。暑假是大学生弯道超车的黄金期，没有课程、作业的干扰，每天抽出2-3小时，40天完全可以从零基础入门Python，达到独立写脚本、做数据分析、练实战项目的水平。只看视频不敲代码，看完觉得全会，上手一行写不出来，属于无效学习。这个阶

 IT学业宝藏库
2026-07-05 12:39:26

 221

 6

#学习 #论文阅读 #后端 +2
【论文阅读】Agent 记忆机制（36）：SteeM——让用户控制 Agent 对历史记忆的依赖程度

在长期交互中，记忆通常被视为 Agent 的一项重要能力。自己的长期偏好；过去做出的决策；项目已经完成的工作；曾经失败的方案；尚未解决的问题；多轮交互中形成的表达风格。哪些信息应该写入；记忆应该如何组织；当前任务需要召回哪些内容；过期记忆应该如何更新或删除。这些研究默认了一个潜在前提：只要召回的记忆是相关的，将它们交给模型通常就是有益的。但这并不总是成立。假设一个研究 Agent 已经与用户共同设

 weixin_45642847
2026-08-11 23:22:26

 544

 11

#论文阅读 #github #人工智能 +2
【论文阅读】Agent 记忆机制（15）：Proactive Memory Agent——让记忆在关键决策前主动介入

前面已经阅读了 A-MEM、Mem0、RMM、TrustMem、GAM、HORMA 等不同类型的 Agent 记忆方法。A-MEM：将记忆组织为能够动态建立链接的记忆卡片。Mem0：从交互中提取事实，并执行新增、修改、删除和忽略。RMM：按照主题组织长期对话，并根据记忆是否被回答引用优化排序。TrustMem：逐步验证记忆更新，减少遗漏、破坏和幻觉。GAM：保存轻量 Memo 和完整 Page，通

 weixin_45642847
2026-07-21 21:51:39

 691

 16

#论文阅读 #人工智能 #github +1
【论文阅读】Agent 记忆机制（32）：Voyager——将成功经验结晶为可检索、可组合的程序技能

如何保存用户偏好和历史事实；如何从长期对话中检索相关信息；如何更新、删除已经过时的记忆；如何控制记忆写入和召回的成本。但 Agent 的“记忆”并不只有事实记忆。对于需要长期与环境交互的 Agent 来说，还有一种非常重要的记忆：我曾经怎样成功完成过某项任务？例如，一个编程 Agent 第一次修复依赖冲突时，可能需要经过多轮搜索、修改和测试。但如果它只是保存“依赖冲突已解决”这一事实，下次遇到类似

 weixin_45642847
2026-08-07 21:52:44

 758

 27

#论文阅读 #人工智能 #学习 +2
【论文阅读】Agent 记忆机制（29）：APEX-MEM——用追加式时间事件图保留事实演化

事实会随时间发生变化。我最喜欢的餐厅是 Italian Garden。Italian Garden 已经关门了，我现在经常去 Sakura Sushi。如果记忆系统采用简单覆盖策略，那么新的偏好会直接替换旧偏好。用户以前喜欢哪家餐厅？用户什么时候改变了偏好？为什么不再去原来的餐厅？某个时间点上哪条信息有效？如果记忆系统不覆盖旧信息，而是把两条记录都放进向量数据库，那么检索时又可能同时召回两个互相冲

 weixin_45642847
2026-08-04 22:59:16

 639

 21

#论文阅读 #学习 #人工智能
论文阅读：Gpt-4 technical report（只包含部分个人认为有用的东西）

除了使用人类反馈强化学习（RLHF）来微调模型外，OpenAI还引入了基于规则的奖励模型（RBRMs），RBRMs是一组零样本的GPT-4分类器。来预测GPT-4在内部代码库（不包含在训练集中）上的最终损失，这一预测是基于使用相同方法训练的模型得出的，这些模型的计算量最多仅为GPT-4的1/10,000。图中显示了较小模型（灰点）的损失随计算量变化的趋势，以及拟合的幂律曲线（虚线），该曲线非常准确

 yibulaxinwuhu
2026-01-31 22:52:11

 570

 11

#论文阅读
ChatGLM3-6B应用场景：科研论文深度阅读与要点提取方案

本文介绍了如何在星图GPU平台上自动化部署🤖 ChatGLM3-6B镜像，赋能科研论文深度阅读与要点提取。用户可快速构建本地化AI助手，实现PDF论文的结构化解析、创新点精准提炼及实验参数自动抽取，显著提升文献综述与学术写作效率。

微尘-黄含驰
2026-02-04 00:22:51

 298

 5

#论文阅读
论文阅读：GLM-4.5V and GLM-4.1V-Thinking

本文介绍了GLM团队开发的GLM-4.5V和GLM-4.1V-Thinking系列多模态视觉语言模型。研究提出创新的RLCS（带课程采样的强化学习）方法，通过多阶段训练框架（预训练、监督微调、强化学习）显著提升模型的多模态推理能力。模型采用2D/3D-RoPE处理任意分辨率输入，并构建了包含100亿图像-文本对的多样化预训练数据集。在42个基准测试中，这些模型展现出SOTA性能，其中GLM-4.5

Noob_OnTheWay
2026-02-26 17:54:29

 501

 5

#论文阅读
论文阅读 | 红外小目标检测方向 1 | PAL

单帧红外小目标检测；单点监督；渐进式主动学习；伪标签优化；自动课程学习

 Sonder_妥妥
2026-04-13 19:34:34

 481

 10

#论文阅读 #目标检测 #人工智能
Qwen3-VL-8B学术研究利器：辅助阅读论文中的图表与公式

本文介绍了如何在星图GPU平台上自动化部署Qwen3-VL-8B多模态交互工具镜像，以辅助学术研究。该工具能自动解析论文中的复杂图表与数学公式，例如快速解读实验数据图或神经网络架构图，从而帮助研究者高效提炼核心信息，提升文献阅读效率。

李姝瑶
2026-04-19 05:08:45

 276

 6

#论文阅读
论文阅读 | 红外小目标检测方向 2 | PQGNet

针对红外小目标检测中微小目标空间感知不足导致的定位丢失以及边缘退化问题，提出PQGNet：面向红外小目标检测的感知查询引导网络。PQGNet 的整体逻辑可以概括为：先用感知监督解决“小目标难定位”的问题，再用高频增强的小波重建解决“边缘难恢复”的问题。

Sonder_妥妥
2026-04-20 23:03:17

 473

 13

#论文阅读 #目标检测 #目标跟踪
论文阅读-DeepSeek-mHC

这部分的科学意义是：它不只是“某个点有效”，而是展示了“优势随规模扩展仍成立”：信息只能沿着一条路走，容易堵车（梯度消失）或撞车（表示崩溃）。最主要是在仅增加6.7%开销的情况下，解决了HC的内存墙的问题。（Hyper-Connections）把单车道扩成了。（ResNet 用了 10 年的技术）是。，让多车道交通既高效又安全。

joker_sxj
2026-04-21 10:02:19

 426

 8

#论文阅读 #算法
【论文笔记】Robust Collaborative 3D Object Detection in Presence of Pose Errors（CoAlign）

【论文笔记】Robust Collaborative 3D Object Detection in Presence of Pose Errors（CoAlign）

byzy
2026-04-21 15:44:49

 400

 8

#论文阅读 #目标检测 #自动驾驶 +2
【论文笔记】V2X-PC: Vehicle-to-everything Collaborative Perception via Point Cluster（V2X-PC/CPPC）

【正式版论文名称】Point Cluster: A Compact Message Unit for Communication-Efficient Collaborative Perception（CPPC）

byzy
2026-04-23 16:42:00

 472

 12

#论文阅读 #自动驾驶 #深度学习 +1
【论文阅读】AstraNav-Memory: Contexts Compression for Long Memory

AstraNav-Memory具身导航论文阅读

 xianshuiyihui
2026-04-23 18:48:43

 532

 9

#多模态 #论文阅读
【DETR论文阅读】端到端目标检测新范式：Transformer改写检测 pipeline

目标检测一直被锚框、候选框、NMS 等手工设计组件“绑架”，流程繁琐且调参痛苦。DETR 直接把检测当成集合预测问题，用 CNN + Transformer 一套到底，彻底抛弃先验框与后处理，真正做到端到端。本文带你逐段精读、公式拆解、图表逐张分析，吃透这篇划时代工作。集合预测 + 匈牙利损失：彻底去掉锚框、NMSTransformer 全局建模：大物体精度大幅提升结构极简：纯 CNN+Trans

weixin_46200189
2026-04-24 20:51:02

 647

 6

#论文阅读 #目标检测 #transformer