推几篇有关Agent超长程记忆，时序记忆的上下文工程，近三个月内的高质量博客/论文，给出链接并简单介绍

回复 群友 6334： 挑了七条，都能对上「长程记忆 / 时序记忆」这条线，时间集中在今年 7 到 9 月。前五条是论文，后两条偏工程实践，最后附一个能直接上手跑的独立项目。 一、Can Agent Memory Systems Track Evolving State?（UIUC，arXiv:2608.，8 月 20 日） https://arxiv.org/abs/2608.19652 这是「时序记忆」目前最直接的一篇。它把状态跟踪和召回拆开：记忆系统答错，很多时候不是没检索到，而是没意识到旧事实已经被覆盖。作者造了 StateMemBench，234 个多会话场景，专门测你答的是当前值还是被取代的旧值。结果 Mem0 当前状态正确率只有 17.7%、A-Mem 19.9%（DeepSeek-V4-Flash 底座），换 Qwen-3.5-9B 更低。他们的方法 StateMem 反而简单：抽状态单元、显式标记 superseded、依赖图重检，不加 LLM 调用，把准确率提到 1.8 倍。最值得记的是结论——这是记账问题，不是建模问题。 二、Remember When It Matters: Proactive Memory Agent for Long-Horizon Agents（arXiv:2607.，7 月） https://arxiv.org/abs/2607.08716 视角和上一篇互补：它关心的不是记得住，而是记的东西什么时候该插进决策。提出一个词叫 behavioral state decay——信息还在上下文里，但已经不再影响下一步动作。做法是开一个独立记忆 agent 跟执行 agent 并行跑，定期整理知识记忆（需求、环境事实）和过程记忆（失败命令、诊断结论），再自己决定是提醒一句还是闭嘴，有个显式的 null intervention。Terminal-Bench 上 Sonnet 4.5 从 37.6% 提到 45.9%。做 harness 的话这篇很值，它把记忆从检索问题变成了干预策略问题。 三、LeanMem: Simple and Efficient Long-Term Memory for LLM Agents（arXiv:2608.，8 月） https://arxiv.org/abs/2608.03463 成本视角，工程味最重。核心观察是对话内容不该用同一种压缩方式处理：稳定偏好存成 profile，随时间变化的存成带时间锚点的 event，细节密度高的（清单、方案）只存索引和指针、要查再回溯原文（record），没价值的直接 ignore。维护阶段只更新 event，检索阶段按问题类型动态分配预算。LoCoMo 84.87%、LongMemEval-S 91.8%，构建 token 只有 A-Mem 的十几分之一。想做省 token 又不丢时间线的记忆层，这篇可抄性最强。 四、From Memory to Skills: Evidence-Grounded Co-Evolution（MSCE，arXiv:2607.，8 月 24 日） https://arxiv.org/abs/2607.16621 代码：https://github.com/MemTensor/MemOS MemTensor 等几家单位合作。记忆分三层：L1 逐步 trace（证据层）、L2 跨 episode 归纳的过程性策略、L3 关于环境本身的陈述性认知。然后用证据、收益估计、稳定性三重门，把合格的 L2 策略结晶成可调用 skill，带适用边界、验证规则和可靠性分。有个设计挺巧：终端反馈稀疏，就用每步 self-reflection 加权回填，把结果值反传到中间步骤。它回答的是记忆怎么变成能力，跟你一直关心的 skill 演进是同一条线。 五、Towards Long-Horizon Agents: A Survey（Preprints，7 月） https://www.preprints.org/manuscript/202607.1328 想先搭框架就看这篇。它把长程 agent 定义成外部 harness 工程和内部模型优化的共同演化，长程任务分三级：H1 单窗口内（对应 C1 交互推理）、H2 跨窗口跨会话（对应 C2 跨上下文状态与记忆）、H3 跨任务流（对应 C3 经验积累）。好处是能当坐标系用，把上面几篇各自补的是哪一格的洞标出来，也顺手解释了为什么单纯扩上下文解决不了长程问题。 六、State of AI Agent Memory 2026（mem0 年度报告，9 月 28 日更新） https://mem0.ai/blog/state-of-ai-agent-memory-2026 厂商出品，分数得带折扣看，但汇总全：LoCoMo / LongMemEval / BEAM 三个基准各测什么、各家分数、每 query token 成本都列了。跟你问题最相关两点：他们新算法涨幅最大的一类就是 temporal queries（+29.6 分）；他们自己列的开源难题里，temporal abstraction（1M 到 10M token 掉约 25% 性能）和 memory staleness（高价值记忆过期后自信地错）排最前。 七、Agent Memory Fails at State Transitions Not Retrieval（ibl.ai 工程博客，9 月 19 日） https://ibl.ai/blog/agent-memory-state-transitions-world-models-vs-rag 也是厂商博客，但把时序落地到了写时策略，讲得很具体：为什么向量检索天生会把三月的「用 React」和七月的「换 Vue」一起召回，以及怎么补——写入时做冲突检测、显式 supersession（标记被取代而非删除，保留审计）、临时事实带 TTL 和过期清理、按 agent 作用域隔离记忆。当设计清单用不错，结尾是产品推介，自己滤一下。 另外顺一个能上手跑的，不算论文： agentmemory（https://www.agent-memory.dev/，仓库 github.com/rohitg00/agentmemory）。本地优先的编程 agent 记忆运行时，12 个 hook 自动截获会话、prompt、工具调用，召回走 BM25 + 向量 + 知识图三路融合再重排，图里支持时序边，会话结束时压缩合并、去重、过期衰减，LongMemEval-S 召回 95.2%（自测数）。Claude Code、Codex CLI、Cursor 这些都有插件，数据全在本机。想拿自己的会话记录做实验，这个装起来最快。 看的时候可以留意一点：这几篇题目不同，争的其实是同一件事——记忆系统现在缺的不是存得更全，而是写入和过期的判断。如果是在找选题，我认为第一和第二篇中间那块（状态维护加干预时机）是目前最空的地方。