当我们谈论「长期记忆的 LLM Agent」时，真正缺的不是更大的上下文窗口，而是一套会组织、会修正、会演化的记忆结构。 最近读到一篇很有代表性的论文 《HiMem: Hierarchical Long-Term Memory for LLM Long-Horizon Agents》（arXiv:2601.06377），它并没有试图再“发明一个新模块”，而是从认知科学 + 工程实现的角度，系统性地回答了一个被反复忽略的问题： 一个 LLM Agent，应该“怎么记忆”，而不仅是“记多少”？ 这篇文章尝试用工程视角拆解 HiMem 的核心设计，并讨论...

在分布式系统里，复制（Replication）和分片（Sharding）几乎是绕不开的两大命题。 单机的 CPU、内存、磁盘、带宽都存在上限，当并发与数据量增长到一定程度，系统就必须扩展到多节点来分担压力。扩展的第一步通常是把读流量拆出去——读写分离。 然而，一旦引入多个副本，就会带来一个非常关键的问题： 写入节点到底是单个？多个？还是没有固定主节点？ 不同答案对应三种经典复制架构： 单主复制（Single Leader / Primary-Replica） **多主复制（Multi-Leader / Multi-Master...

论文：SimpleMem: Efficient Lifelong Memory for LLM Agents arXiv: 2601.02553（2026-01-07） 核心一句话：不是把所有聊天记录都塞进上下文，而是把“值得记”的信息变成干净的事实，再按需取用。 1. 背景：为什么 LLM Agent 需要“长期记忆”？ 我们现在用 ChatGPT、各种 AI 助手，都会遇到一个痛点： 你和它聊了很多天 过一段时间再问： “上周那个项目叫什么？” “我之前说过我不吃什么？” “她生...

论文：InfiAgent: An Infinite-Horizon Framework for General-Purpose Autonomous Agents（arXiv:2601.03204） 一句话总结：别再把所有历史塞进 prompt，当 Agent 任务变长时，应该把“真实状态”写进文件系统，用文件驱动后续决策。 1. 为什么现在的 Agent 一做长任务就崩？ 假设你让一个 AI Agent 做一个“长任务”，比如： 写一篇综述：读 80 篇论文 → 每篇总结 → 最后写总报告 做一个产品调研：找资料 → 做表格...

这章主要围绕两个核心问题展开： 数据是如何被编码的 数据是如何在系统中流动的 这两个问题看似基础，但它们直接决定了系统的可演化性、兼容性以及长期维护成本。本文尝试从工程实践的角度，对这两个问题做一次系统性的梳理。 一、数据是如何编码的？ 在分布式系统中，数据几乎总是在内存结构与字节序列之间不断转换。编码方式的选择，决定了数据能否被安全、高效、长期地使用。 1. 基于特定语言的编码方式 许多编程语言都提供了原生的对象序列化能力，例如： Java：java.io.Serializable Pyth...