热门AI工具推荐

焚书AI多模型聚合平台
AI多模型聚合平台( Claude 系列、GPT 系列)支持聊天、搜索、图片、视频、音乐等多种功能;聚合了 Claude 系列(如 Sonnet 5、Opus 5 等)、Gemini 系列、GPT 系列、DeepSeek(搜索模式默认调用 DeepSeek V4 Pro)以及通义千问、Kimi 等数十款国内外主流模型。
AI编程订阅服务,支持多款国产主流编程模型自由切换。
Seedance 2.0AI视频生成
具备卓越的物理真实性和角色一致性,可生成电影级视频内容。
方舟 Agent PlanAI智能体订阅
火山引擎推出的全场景AI智能体订阅服务,通过一个订阅整合5大主流模型和10+AI工具
SpeedAIAI内容检测降重
AI内容检测与降重工具,能有效帮助用户通过论文AI率检测
秒哒AI工具
不懂代码也能开发应用?百度秒哒:无需编程,快速搭建小程序与网站
有戏AIAI漫剧生成工具
全流程AI短剧创作工具,实现从剧本到成片的自动化生产,让“一人即剧组”成为现实。
沁言学术智能科研平台
一站式文献管理与科研写作工具,支持边写作边搜索文献,高效阅读,文献管理,

Databricks发布MemCurrent持久记忆架构

时间:2026年10月20日,Databricks AI Research 团队通过官方博客发布 MemCurrent 持久记忆架构,并在同日通过官方社交账号对外宣布;该架构已上线支撑 Databricks 新推出的 Agent Bricks Memory 与 Genie 产品 地点:美国旧金山,Databricks AI Research 团队(发布于 Databricks 官方博客 Research 栏目) 人物:Databricks AI Research 团队;Databricks 官方社交账号;论文引用了此前 Databricks 团队的 MemAlign 判官研究与 Memory Scaling 研究;对比评测覆盖 Mem0、PropMem、OpenClaw memory 三套开源记忆后端 事件详情:Databricks 发布面向生产环境的智能体持久记忆架构 MemCurrent,用于解决"智能体每次任务都从零开始"的痛点。其核心思路是:记忆能同时改善质量与效率,但历史越多并不等于记忆越好,真正要解决的是留什么、怎么维护、如何衡量有用性。 架构上,MemCurrent 同时使用三种记忆接入方式并各取所长:以插件方式在会话固定节点自动读写(更新即时、行为可预测,但运行时开销与延迟更高);以工具方式由智能体自主决定读写时机(灵活,但质量受智能体能力约束);以及以离线流水线方式按计划或触发器在后台整合记忆(异步批量、运行时成本低,但更新有延迟)。记忆分为两类:情景记忆(episodic)保存原始会话轨迹,只追加不可变;衍生记忆(derived)保存从轨迹中蒸馏出的经验,以结构化知识库中的文件形式存在,顶部由自动生成的 memory.md 索引描述文件结构与内容。写入有两条路径:智能体工具(add_memory、update_memory、delete_memory)处理显式要求,例如"永远不要在 /tmp 目录写脚本";离线"做梦"流水线(dreaming pipeline)负责从每次新会话中蒸馏隐含经验,同时清理整个存储、切分过大文件、合并重复条目并解决冲突。读取分层进行:会话开始时插件注入记忆索引,智能体在会话中用 search_memory 做检索、用 fetch_memory 按标识取回完整条目。 官方成绩单如下。在三个开源基准 LoCoMo、LongMemEval、ConvoMem 上,MemCurrent 在全部记忆后端中得分最高,并处在成本与准确率的帕累托前沿上,平均准确率 88.1%,与把所有历史会话全量塞进上下文的 full context 基线 87.8% 基本持平,但每个问题的输入 Token 只有 8.4K 对 103K,节省约 12 倍;在历史最长的两个基准上,MemCurrent 甚至反超 full context,因为全量灌入反而会让智能体迷失。在自建的内部记忆基准(Internal Memory Benchmark)上差距进一步拉开:该基准用真实 Genie 会话构建,从 1.2 万余条会话中挖掘 3000 条候选,筛出 114 个测试用例,覆盖 29 个用户、2233 条历史会话,测试用例横跨 5 类记忆与 11 类场景,由对抗性判官按 7 项标准校验并经人工复核。评测中 MemCurrent 通过率 68.4%、延迟 252 秒、Token 用量 41.8 万,弥合了无记忆基线 22.3% 与金标准注入 78.6% 之间超过 80% 的差距;相比无记忆,通过率翻三倍、快 1.35 倍、便宜 1.44 倍;对比同榜的 Mem0(43.9%,延迟与成本更高)优势明显。消融实验显示:只用情景记忆通过率 35.8%,只用衍生记忆提升到 66.1%,两者叠加 68.4%;抽取策略上离线做梦单独 63.5%、在线工具单独 53.9%,两者结合最佳 66.1%。官方还给出两个实例:一次记忆纠错让智能体不再重复"编造查询结果"的幻觉习惯;一条被存为工作流的记忆把同类任务的 11 次工具调用、8 个子智能体、近 6 分钟压缩到 2 次工具调用、1 个子智能体、41 秒 背景:Databricks 此前的 MemAlign 工作聚焦于用规模化人类反馈训练更好的 LLM 判官,Memory Scaling 研究则论证了智能体性能随外部记忆增长而提升(记忆缩放),MemCurrent 是把这条路线产品化的产物,并已作为 Agent Bricks Memory 与 Genie 的底层能力上线。在评测设计上,Databricks 明确把内部记忆基准与 LoCoMo、LongMemEval、ConvoMem 三个开源基准做了区分:现有基准多是围绕模拟人物生活的开放式闲聊,而其内部基准来自真实数据工作场景,涉及表语义、指标定义与业务流程等企业知识;且要求记忆必须驱动行动而非仅复述答案。评测中智能体模型使用 Claude Opus 4.6,记忆模型使用 GPT 5.6 sol,开源基准部分使用 GPT 5.6 luna,测试框架为 LangGraph 与 OpenAI Agents SDK,每项跑 3 次取平均 影响:随着智能体从单轮问答走向长流程任务,记忆层正在成为继模型与工具链之后的第三个竞争维度。MemCurrent 的意义在于把"记忆"从各家自研的模糊模块推向可度量、可消融的工程问题,也把开源记忆后端(Mem0、PropMem、OpenClaw memory)拉到同一张成本与准确率坐标上比较。需要指出的是,97% 以上的增益数字、内部基准的构建方式与选用的对比系统均由 Databricks 自行给出,基准仅 114 个用例,且全部基于其自有 Genie 场景,跨场景普适性尚待第三方验证 总结:MemCurrent 用"情景记忆加衍生记忆"双层结构、三种接入方式与一条离线做梦流水线,给出了一套生产级智能体持久记忆的可复用范式,并首次用同一套成本与准确率坐标把主流开源记忆后端摆在一起比较,官方数据显示其在真实企业任务上把通过率从 22.3% 提升到 68.4%,同时更快更省 参考来源: 1. Databricks 官方博客(MemCurrent 首发):https://www.databricks.com/blog/memcurrent-designing-persistent-memory-production-agents 2. Databricks Research(Memory Scaling 研究):https://www.databricks.com/blog/memory-scaling-ai-agents 3. Databricks 官方社交账号发布:https://x.com/databricks/status/2112598568624165296 4. Databricks 官方文档(Agent Bricks Memory):https://docs.databricks.com/aws/en/agents/custom-agents/stateful-agents 5. TechSeen 英文编译:https://techseen.com/story/memcurrent-designing-persistent-memory-for-production-agents-6d89e1e 6. daily.dev 英文编译:https://daily.dev/posts/memcurrent-designing-persistent-memory-for-production-agents-qyumd8wb3 7. LinkedIn(Databricks Research 解读):https://www.linkedin.com/posts/narenchawla_memory-scaling-for-ai-agents-activity-7462239057868390400-_hHg 8. remio.ai 中文编译:https://www.remio.ai/zh/post/databricks-says-its-data-agent-beats-general-coding-agents-on-quality-and-cos-zh

同日其他快讯

10月21日 汇总