中科院开源Mandol：内存原生Agent记忆系统
中科院开源Mandol，用统一内存原生架构解决Agent长期对话记忆的碎片化与检索噪声问题，在基准上准确率超92%。
传统Agent记忆系统依赖向量、图等多类数据库混搭，导致信息碎片、查询慢且噪声多。中科院开源的Mandol把所有记忆统一存储在内存中，用分层结构和智能检索算法，在长对话测试中准确率超92%，延迟仅82毫秒，甚至能在普通笔记本上流畅运行。
正文摘录
.jpg)  随着 LLM Agent 在智能客服、个人助理、社交陪伴和医疗辅助等场景中的应用拓展，其交互模式正从单轮问答走向长周期、多任务的持续协作。 在这一过程中，Agent 的记忆模块不仅需要存储跨会话、多类型的信息，如对话内容、用户意图、实体状态和事件脉络，还需要在复杂查询中提供准确、可追溯且低延迟的证据支撑。 然而，当前主流记忆系统通常依赖向量数据库、图数据库和关系型存储的异构组合，容易造成记忆表示碎片化、跨库查询开销高；同时，其检索机制多采用 RAG 式的被动相似度匹配，容易引入噪声、遗漏关联线索且缺乏 Token 预算控制，导致检索质量不稳定。 针对这些挑战，中国科学院软件研究所等机构的研究团队提出了 Mandol：一种凝聚式内存原生分层记忆系统，其核心思想是将碎片化的记忆表示与异构存储凝聚为统一的内存原生架构。