【免费下载链接】LightMem[ICLR 2026] LightMem: Lightweight and Efficient Memory-Augmented Generation项目地址https://gitcode.com/gh_mirrors/li/LightMem点击查看免费下载LightMem 是 ICLR 2026 的轻量高效记忆增强生成Memory-Augmented Generation项目其中的FluxMem模块提出了一种连接演化式的 Agent 记忆框架它不再把记忆当成一个只增不改的检索池而是将语义事实、情景经验、程序技能三类记忆建模为一张持续演化的异构图让 Agent 在每次任务执行中不断织网在失败时自动修复记忆拓扑在离线时把经验蒸馏为成熟技能。简单说FluxMem 给了 Agent 一项自愈能力——记忆会生长、会纠错、会沉淀而不会无限堆砌原始痕迹。为什么需要会自我修复的记忆传统记忆系统普遍是一次性读写检索一段、拼接进 Prompt、生成回答结束后记忆本身几乎不再变化。随着 Agent 长时间运行这会导致两个典型问题记忆是孤岛事实、经历、技能分别存放在不同的扁平存储中彼此缺乏关联检索时无法互相印证错误无法沉淀执行失败后Agent 学到的教训只存在于这一次对话里下次遇到同类问题还会再犯。FluxMem 的思路是把记忆看作连接Connectivity而不是条目Item。条目只是图中的节点真正的价值在于节点之间不断被建立、修剪、重塑的有类型边——记忆因此成为一个可以持续演化的整体。三层节点 × 三种边一张图看懂 FluxMem 记忆结构FluxMem 的记忆基座是一个异构图G(V, E)包含3 类节点和3 类边三类节点节点类型含义类比SemanticNode语义节点带 embedding 的事实性知识块Agent 的知识库EpisodicNode情景节点任务执行的观察-动作轨迹Agent 的亲历记忆ProceduralNode程序节点从反复经验中蒸馏出的可复用技能与推理模式Agent 的手艺节点定义见 nodes.py。三种边边类型方向作用GroundEdge语义 → 情景事实为情景步骤提供证据支撑DistillEdge情景 → 程序技能从反复出现的经验中蒸馏而来StepLinkEdge任意 → 任意执行期间建立的临时步骤级连接可被后续阶段编辑边定义见 edges.py。这张带类型的图替代了传统系统的扁平检索池——检索、精化、固化三个阶段都运行在同一个共享基座上这也是自愈得以发生的前提只有先知道哪里连错了才谈得上改哪里。三阶段演化流水线建网、自愈、沉淀FluxMem 的记忆演化不是单步循环而是三条流水线协同工作核心调度见 agent.py阶段一初始连接形成在线每步执行在每个时间步Stage I 会做三件事语义检索用向量相似度 BM25 LLM 校验的混合打分取出 Top-k 相关事实情景检索用 embedding 相似度取出与当前观察最相似的过往任务轨迹技能继承沿着DistillEdge把与相似情景关联的程序技能一并带上。三类节点被装配成当前步的初始子图G_t再序列化为结构化上下文用semantic_memory/episodic_memory/procedural_memory三段 XML 风格组织交给 LLM 执行任务。阶段二反馈驱动的连接精化自愈核心任务执行后如果失败Stage II 会先用 LLM 对失败原因做归因attribute_failure然后按归因结论对子图做三种拓扑级手术Link Expand连接扩展归因为信息缺失时扩大检索范围补建缺失的连接✂️Link Prune连接剪枝归因为存在干扰噪声时剪掉相似度低于阈值的干扰边Node Reshape节点重塑归因为抽象粒度不匹配时替换/改写节点内容让粒度对齐当前任务。整个执行 → 反馈 → 修图 → 再执行会循环直到任务成功或达到最大轮数max_refinement_rounds默认 5 轮。这一步正是标题里自愈技能的落点Agent 修复的不是答案而是记忆本身。阶段三长期连接固化离线定期执行在线积累的情景轨迹不能永远只存不改。Stage III 在离线时执行长期固化情景聚类按语义相似度K-Means把相似任务轨迹聚成簇技能归纳让 LLM 从每个簇中归纳出共享的可复用技能生成新的ProceduralNode并挂上DistillEdgePEMS 引导的迭代精炼反复验证并改写技能直到 PEMS 分数收敛技能才算毕业。PEMS给技能成熟度一个可量化的停止条件什么时候该停止改写技能 固定迭代次数显然不科学。FluxMem 引入了PEMSProcedure Evolution Maturity Score程序演化成熟度分数作为收敛信号PEMS 源情景平均成功率 ÷ (技能节点数 × ln(技能文本长度)) × (1 − 相邻两版技能 embedding 的差异)直觉上它同时约束了三件事✅ 技能要真管用成功率高✅ 技能要够精炼文本越长分母越大✅ 技能要够稳定版本间差异越小越好。当连续两轮的 PEMS 变化小于阈值pems_threshold默认 0.01时即判定技能已成熟停止重写。计算实现见 pems.py。这让长期记忆第一次变得可测量框架自己决定何时收工而不是永远覆盖。可插拔后端把 FluxMem 嵌入你的 Agent 系统FluxMem 默认使用 OpenAI 的 LLM 与 embedding但同时暴露了三个抽象接口——BaseLLM、BaseEmbedder、BaseVectorStore见 interfaces/。你可以换成本地 LLM、自定义 embedding 模型或任意向量库完全不需要改动图结构、三阶段流水线和 PEMS 指标。这种解耦让 FluxMem 能轻松嵌入 LightMem 这类更大的 Agent 记忆系统。快速上手在 LightMem 项目根目录安装可选依赖pip install -e .[fluxmem] export OPENAI_API_KEYyour_api_key之后导入fluxmem包即可初始化 Agent调用add_knowledge()注入事实知识run_task()执行任务自动走阶段一检索 阶段二精化再定期调用consolidate()完成阶段三离线固化。完整示例见 FluxMem.md。常用配置速查配置集中在 FluxMemConfig参数默认值说明top_k_semantic/top_k_episodic5 / 3语义 / 情景检索的 Top-kmax_refinement_rounds5阶段二最大自愈轮数num_clustersNone阶段三聚类数None 为自动pems_threshold0.01PEMS 收敛阈值 εdense_weight/bm25_weight/llm_weight1.0 / 0.5 / 0.3混合检索三路权重小结记忆从仓库变成活的网络FluxMem 的三个关键词可以帮你记住它️异构图事实、经历、技能共居一张带类型边的图检索即遍历自愈失败归因 扩链/剪枝/重塑修复的是记忆拓扑而非单次回答可测量PEMS 分数让技能成熟有了原则性的停止条件。对正在构建长期 Agent 的同学FluxMem 提供了一个很好的范式参考记忆的价值不在于存了多少而在于连接如何演化。如果你想进一步了解它在 LightMem 全家桶中的定位可以继续阅读 FluxMem.md 与 README.md。赞分享【免费下载链接】LightMem[ICLR 2026] LightMem: Lightweight and Efficient Memory-Augmented Generation项目地址https://gitcode.com/gh_mirrors/li/LightMem点击查看免费下载相关推荐Pavex安全性考量如何构建安全的API应用Pavex安全性考量如何构建安全的API应用 Pavex是一个面向Rust专业人士的后端框架专注于帮助开发者构建高性能、安全可靠的API应用。在当今数字化时后端Prismer Cloud 记忆层完全指南让 AI Agent 拥有跨会话的持久记忆Prismer Cloud 记忆层完全指南让 AI Agent 拥有跨会话的持久记忆 Prismer Cloud 记忆层Memory Layer 是VoltAgent持久记忆完全指南构建拥有长期记忆的AI智能体 VoltAgent持久记忆完全指南构建拥有长期记忆的AI智能体 VoltAgent是一个开源TypeScript AI智能体框架 package.js人工智能AI AgentAgent 框架后端多智能体RAG工具调用Agent 记忆Agent 工作流AI 评测MCP 服务MCP Clients语音创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LightMem系列FluxMem：把记忆建模为持续演化的异构图，让Agent拥有自愈技能
【免费下载链接】LightMem[ICLR 2026] LightMem: Lightweight and Efficient Memory-Augmented Generation项目地址https://gitcode.com/gh_mirrors/li/LightMem点击查看免费下载LightMem 是 ICLR 2026 的轻量高效记忆增强生成Memory-Augmented Generation项目其中的FluxMem模块提出了一种连接演化式的 Agent 记忆框架它不再把记忆当成一个只增不改的检索池而是将语义事实、情景经验、程序技能三类记忆建模为一张持续演化的异构图让 Agent 在每次任务执行中不断织网在失败时自动修复记忆拓扑在离线时把经验蒸馏为成熟技能。简单说FluxMem 给了 Agent 一项自愈能力——记忆会生长、会纠错、会沉淀而不会无限堆砌原始痕迹。为什么需要会自我修复的记忆传统记忆系统普遍是一次性读写检索一段、拼接进 Prompt、生成回答结束后记忆本身几乎不再变化。随着 Agent 长时间运行这会导致两个典型问题记忆是孤岛事实、经历、技能分别存放在不同的扁平存储中彼此缺乏关联检索时无法互相印证错误无法沉淀执行失败后Agent 学到的教训只存在于这一次对话里下次遇到同类问题还会再犯。FluxMem 的思路是把记忆看作连接Connectivity而不是条目Item。条目只是图中的节点真正的价值在于节点之间不断被建立、修剪、重塑的有类型边——记忆因此成为一个可以持续演化的整体。三层节点 × 三种边一张图看懂 FluxMem 记忆结构FluxMem 的记忆基座是一个异构图G(V, E)包含3 类节点和3 类边三类节点节点类型含义类比SemanticNode语义节点带 embedding 的事实性知识块Agent 的知识库EpisodicNode情景节点任务执行的观察-动作轨迹Agent 的亲历记忆ProceduralNode程序节点从反复经验中蒸馏出的可复用技能与推理模式Agent 的手艺节点定义见 nodes.py。三种边边类型方向作用GroundEdge语义 → 情景事实为情景步骤提供证据支撑DistillEdge情景 → 程序技能从反复出现的经验中蒸馏而来StepLinkEdge任意 → 任意执行期间建立的临时步骤级连接可被后续阶段编辑边定义见 edges.py。这张带类型的图替代了传统系统的扁平检索池——检索、精化、固化三个阶段都运行在同一个共享基座上这也是自愈得以发生的前提只有先知道哪里连错了才谈得上改哪里。三阶段演化流水线建网、自愈、沉淀FluxMem 的记忆演化不是单步循环而是三条流水线协同工作核心调度见 agent.py阶段一初始连接形成在线每步执行在每个时间步Stage I 会做三件事语义检索用向量相似度 BM25 LLM 校验的混合打分取出 Top-k 相关事实情景检索用 embedding 相似度取出与当前观察最相似的过往任务轨迹技能继承沿着DistillEdge把与相似情景关联的程序技能一并带上。三类节点被装配成当前步的初始子图G_t再序列化为结构化上下文用semantic_memory/episodic_memory/procedural_memory三段 XML 风格组织交给 LLM 执行任务。阶段二反馈驱动的连接精化自愈核心任务执行后如果失败Stage II 会先用 LLM 对失败原因做归因attribute_failure然后按归因结论对子图做三种拓扑级手术Link Expand连接扩展归因为信息缺失时扩大检索范围补建缺失的连接✂️Link Prune连接剪枝归因为存在干扰噪声时剪掉相似度低于阈值的干扰边Node Reshape节点重塑归因为抽象粒度不匹配时替换/改写节点内容让粒度对齐当前任务。整个执行 → 反馈 → 修图 → 再执行会循环直到任务成功或达到最大轮数max_refinement_rounds默认 5 轮。这一步正是标题里自愈技能的落点Agent 修复的不是答案而是记忆本身。阶段三长期连接固化离线定期执行在线积累的情景轨迹不能永远只存不改。Stage III 在离线时执行长期固化情景聚类按语义相似度K-Means把相似任务轨迹聚成簇技能归纳让 LLM 从每个簇中归纳出共享的可复用技能生成新的ProceduralNode并挂上DistillEdgePEMS 引导的迭代精炼反复验证并改写技能直到 PEMS 分数收敛技能才算毕业。PEMS给技能成熟度一个可量化的停止条件什么时候该停止改写技能 固定迭代次数显然不科学。FluxMem 引入了PEMSProcedure Evolution Maturity Score程序演化成熟度分数作为收敛信号PEMS 源情景平均成功率 ÷ (技能节点数 × ln(技能文本长度)) × (1 − 相邻两版技能 embedding 的差异)直觉上它同时约束了三件事✅ 技能要真管用成功率高✅ 技能要够精炼文本越长分母越大✅ 技能要够稳定版本间差异越小越好。当连续两轮的 PEMS 变化小于阈值pems_threshold默认 0.01时即判定技能已成熟停止重写。计算实现见 pems.py。这让长期记忆第一次变得可测量框架自己决定何时收工而不是永远覆盖。可插拔后端把 FluxMem 嵌入你的 Agent 系统FluxMem 默认使用 OpenAI 的 LLM 与 embedding但同时暴露了三个抽象接口——BaseLLM、BaseEmbedder、BaseVectorStore见 interfaces/。你可以换成本地 LLM、自定义 embedding 模型或任意向量库完全不需要改动图结构、三阶段流水线和 PEMS 指标。这种解耦让 FluxMem 能轻松嵌入 LightMem 这类更大的 Agent 记忆系统。快速上手在 LightMem 项目根目录安装可选依赖pip install -e .[fluxmem] export OPENAI_API_KEYyour_api_key之后导入fluxmem包即可初始化 Agent调用add_knowledge()注入事实知识run_task()执行任务自动走阶段一检索 阶段二精化再定期调用consolidate()完成阶段三离线固化。完整示例见 FluxMem.md。常用配置速查配置集中在 FluxMemConfig参数默认值说明top_k_semantic/top_k_episodic5 / 3语义 / 情景检索的 Top-kmax_refinement_rounds5阶段二最大自愈轮数num_clustersNone阶段三聚类数None 为自动pems_threshold0.01PEMS 收敛阈值 εdense_weight/bm25_weight/llm_weight1.0 / 0.5 / 0.3混合检索三路权重小结记忆从仓库变成活的网络FluxMem 的三个关键词可以帮你记住它️异构图事实、经历、技能共居一张带类型边的图检索即遍历自愈失败归因 扩链/剪枝/重塑修复的是记忆拓扑而非单次回答可测量PEMS 分数让技能成熟有了原则性的停止条件。对正在构建长期 Agent 的同学FluxMem 提供了一个很好的范式参考记忆的价值不在于存了多少而在于连接如何演化。如果你想进一步了解它在 LightMem 全家桶中的定位可以继续阅读 FluxMem.md 与 README.md。赞分享【免费下载链接】LightMem[ICLR 2026] LightMem: Lightweight and Efficient Memory-Augmented Generation项目地址https://gitcode.com/gh_mirrors/li/LightMem点击查看免费下载相关推荐Pavex安全性考量如何构建安全的API应用Pavex安全性考量如何构建安全的API应用 Pavex是一个面向Rust专业人士的后端框架专注于帮助开发者构建高性能、安全可靠的API应用。在当今数字化时后端Prismer Cloud 记忆层完全指南让 AI Agent 拥有跨会话的持久记忆Prismer Cloud 记忆层完全指南让 AI Agent 拥有跨会话的持久记忆 Prismer Cloud 记忆层Memory Layer 是VoltAgent持久记忆完全指南构建拥有长期记忆的AI智能体 VoltAgent持久记忆完全指南构建拥有长期记忆的AI智能体 VoltAgent是一个开源TypeScript AI智能体框架 package.js人工智能AI AgentAgent 框架后端多智能体RAG工具调用Agent 记忆Agent 工作流AI 评测MCP 服务MCP Clients语音创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考