微软发表Memora记忆系统，长对话SOTA并减少98%上下文token
微软Memora通过分离记忆存储与检索，让AI代理在长对话中高效回忆细节，性能新SOTA且大幅降低计算开销。
当前AI代理无法记住历史交互，处理长任务时需反复读取全文，效率低下。微软提出的Memora记忆框架将存储内容与检索方式解耦，既保留丰富细节（如项目时间线、多轮讨论），又用轻量结构层高效索引，在LoCoMo等基准上超越Mem0、RAG等方法，同时减少98%上下文token消耗。
正文摘录
 概览 - 如今的 AI 智能体记不住过去的交互。它们必须被反复喂入相关信息，或从外部源检索，这在处理更长、更复杂的任务时效率越来越低。要扩展智能体的能力，我们需要一种更高效的方式来长期保留和访问信息。 - Memora 是一个可扩展的记忆系统，通过解耦 存储什么（丰富的记忆内容）与 如何检索（轻量级的抽象和线索锚点），在抽象性与具体性之间取得平衡，从而显著提升智能体在长周期任务上的生产力。 - Memora 在 LoCoMo 和 LongMemEval 上达到了新的 SOTA，超越 Mem0、RAG 和全上下文推理，同时使用的上下文 token 最多减少 98%。 - [Memora 论文（在新标签页中打开）](https://arxiv.org/abs/2602.03315) 发表于 ICML 2026。Memora 代码已开源：[https://github.com/microsoft/Memora（在新标签页中打开）](https://github.com/microsoft/Memora)。 想象一个职场 AI 助手，帮你管理一个为期数月的项目。在数周的对话中，你分享了约束条件、商定了里程碑、修订了截止日期，并暴露了数十个利益相关者的偏好。后来你让它给同事起草一份更新时，它应该不仅记得最新的决策，还要记得一路走来的历程：尝试过什么、排除了什么、谁参与了意见。今天的 AI 智能体在这方面很吃力。