9月21日来自美国德州大学达拉斯分校UT Dallas研究者提出并开源了智能体记忆新架构 Jev-Mem。第二天这篇论文便出现在 Hugging Face Papers 趋势榜页面引发社区关注。这次研究没有继续堆更大的模型而是换了一个思路让轻量级的Jev负责“记忆怎么管理”让大模型负责真正复杂的推理。在LoCoMo测试中Jev-Mem取得 0.777的LLM-as-a-Judge得分相比最强基线 MAGMA 提升11.0%同时记忆构建时间压到 158 秒比最快的竞争系统快 6.6 倍平均查询延迟降到 0.93 秒降低 36.7%。那么Jev-Mem到底做了什么论文题目Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents01Agent记忆太贵Jev-Mem换了种做法Jev-Mem的思路很简单把“记忆管理”和“复杂推理”拆开。记忆分类、关系判断、查询路由、候选评分、停止判断这些操作输出的都是有界结果一个标签、一个概率、一个分数而不是自由文本。用自回归 LLM 逐 token 生成再解析对这类高频决策来说太贵了。团队因此引入 System-One / System-Two 的分工System One 负责高频、结构化的轻量决策System Two 只在复杂推理和答案合成时才被调用。整套架构分成三个平面专门的 System-One 控制平面、结构化的多关系记忆平面、以及 System-Two 推理平面。Jev负责高频、结构化的决策例如记忆分类、关系判断、查询路由、候选打分和是否继续检索。真正需要开放式生成和复杂推理时再交给System Two。也就是说能快速判断的事情不让大模型反复生成。02Jev到底管什么Jev-Mem并不是简单地给Agent增加一个向量数据库。它把记忆组织成一个多关系记忆空间。同一条记忆可以同时拥有不同类型的关系包括语义关系、时间关系、因果关系和实体关系。例如Agent过去记录了一次项目经历。Jev首先判断这条信息属于什么类型然后寻找可能相关的历史记忆再判断它们之间是否存在语义、时间、因果或实体关系。因此记忆写入过程可以概括成观察 → 类型判断 → 候选记忆 → 关系构建 → 更新记忆而到了真正查询的时候Jev又会继续参与。它首先判断当前问题更需要哪类关系然后分配检索预算再进行图搜索、候选打分并判断现在找到的信息够不够了如果不够就继续扩展如果已经足够直接停止检索。整个过程变成路由 → 检索 → 评估 → 扩展 → 再评估而不是传统的固定Top-K搜索。最后筛选出的高质量证据才交给System Two进行最终回答。03效果怎么样Jev-Mem在LoCoMo上进行了长期记忆测试最终整体 LLM-as-a-Judge达到0.777最强基线 MAGMA 为 0.700相对提升 11.0%。增益在需要多步检索和去噪的题目上最明显多跳问答 0.623基线最高 0.569、开放域 0.618基线最高 0.517、对抗性干扰题 0.962基线最高 0.742。效率侧的差距同样直接。在记忆构建阶段Jev-Mem只需要158秒而最快的竞争方法也需要1044秒相当于将构建时间降低84.9%达到 6.6×加速A-MEM、MemoryOS 更是要 3000 秒以上。在查询阶段Jev-Mem平均只需要 0.93秒比最快的基于记忆的基线 MAGMA1.47 秒低 36.7%比直接把全文喂给模型1.74 秒还低 46.6%。作为对照MemoryOS 单次查询要 32.68 秒这正是把复杂处理留在检索路径上要付出的代价。也就是说Jev-Mem并不是单纯追求“记得更多”。它试图解决的是另一个问题Agent应该如何更高效地管理自己的记忆04总结过去的Agent记忆重点更多放在“存什么、怎么存、怎么检索”。Jev-Mem则进一步把问题变成了“谁来控制这些记忆操作”它用Jev承担高频、轻量的System-One决策把复杂的开放式推理留给System Two。最终在保持较高回答质量的同时显著降低了记忆构建和查询的计算开销。对于正在走向长程任务的AI Agent来说未来需要优化的可能不只是模型本身有多强还包括Agent如何更高效地调用自己的记忆。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】