代理记忆、检索、上下文压缩与提示转移

多个项目推动了代理记忆、检索、上下文压缩和长期运行代理的提示可移植性。• FactoryAI评估比较了三种上下文压缩策略(Factory锚定的迭代摘要、OpenAI的compact响应、Anthropic的结构化摘要);Factory方法保留了调试文档和决策连续性。• 评估使用探测框架(召回、文档、延续、决策),以GPT-5.2作为评判者,并设定六个评分维度。• Opennote发布了'Index',这是一个基于Postgres+pgvector和Cloudflare Workers构建的毫秒级动态文档检索系统;P99延迟约为209–300毫秒,混合检索结合了元数据、关键词和向量搜索。• Index使用分块摄取、UPSERT差异、三层缓存和精确的缓存失效来支持动态编辑和多租户。• Memori发布了一个开源的SQL原生内存引擎;一行代码集成使得在LLM之间实现持久、可查询的记忆成为可能;模式包括:意识、自动、组合;每6小时进行一次周期性的'良知'提炼。• PromptBridge(埃森哲论文)提出了零训练映射,利用小规模配对校准任务(MAP-RPE)和学习的映射在模型之间转移提示工程。
Key insights
结构化的锚定摘要比原始压缩更好地保留代理上下文
评估对比了FactoryAI的锚定迭代摘要与OpenAI的compact端点和Anthropic的结构化摘要。Factory的方法保持了结构化的持久摘要(意图、文件更改、决策、下一步),并保留了低熵的技术文档(例如,文件路径、错误跟踪),使得长时间调试会话能够持续。该研究使用了召回、文档、延续和决策类别的探测测试,由GPT-5.2根据六个标准进行评分,并应用于生产消息日志。
Opennote Index:为代理优化的生产级低延迟检索
Opennote推出了Index,这是一个为代理工作负载提供P99 <300ms的检索堆栈,基于Postgres(pgvector、pg_trgm、tsvector)和Cloudflare边缘工作者。关键设计选择包括:元数据预过滤以缩小候选集、块级哈希和部分重新嵌入以减少重新计算、混合关键词+向量评分与α混合,以及三层缓存(精确查询、语义、反向索引失效)。与Chroma的基准测试显示,召回和排名相当,同时在多租户和动态编辑处理上表现优越。
Memori提供SQL原生持久内存以支持LLM代理
Memori推出了一个开源的SQL原生内存引擎,可以在标准数据库(SQLite/Postgres/MySQL等)中存储代理记忆。集成只需一行SDK调用;Memori提取实体并分类记忆类型(事实、偏好、技能),支持意识/自动/组合模式,并定期(每6小时)运行后台'良知'进程,将长期模式提炼为短期记忆。该架构拦截LLM调用以进行预注入检索和后调用提取。
PromptBridge在不重新训练的情况下自动化模型间的提示转移
PromptBridge提出了一种零训练框架,用于将优化的提示从源模型转换到目标模型。它需要小规模的校准集来构建配对提示映射,使用MAP-RPE(模型自适应反思提示演变),然后学习一种映射,使未来未见任务能够被转换。该方法减少了手动提示再工程的需求,并被报告能够在单代理和多代理场景中以低样本成本进行泛化。