ETAMem：面向长期对话智能体的异构记忆解耦与多视图对齐框架
🧭 Agent 长期记忆 · 多视图解耦 ★ 深度解读
Nankai University · Tiangong University · University of Edinburgh
将对话记忆拆分为事件、情感、时间三视图并自适应路由检索，显著提升长期记忆中的多跳与时间推理。
📌 工作参考价值（4 点）
- 在构建用户长期记忆画像时，不要只按语义或时间组织；可拆成「事件 / 偏好情感 / 时间」三个视图：事实类用 semantic embedding，偏好类用 affect embedding，时间类强制按 Session→Day→Week→Month 建索引，避免偏好信息混在事件里导致检索错配。
- Entropy-based routing 可作为低成本的 query 级记忆路由：对 query 和各视图 leaf summary 算相似度分布，用归一化熵判断信号集中程度，再分配检索预算。相比 LLM routing 更稳定、开销更低。
- 工程实现上值得复用：内部节点摘要用 pending-change counter + lazy update，减少 LLM 调用；维护阈值用 Otsu + EMA 根据相似度分布自适应校准，避免长期运行后树结构退化；leaf split/merge 是必要维护操作。
- 层级 beam search 中混合 semantic embedding 与 BM25 打分，对品牌名、商品名等 exact term 查询尤其有效，可迁移到电商客服/推荐解释的记忆召回场景。
RecVerse：忠实模拟人类购物行为的 GUI Agent
🧭 用户行为仿真 · GUI Agent · RL ★ 深度解读
Gaoling School of Artificial Intelligence, Renmin University of China · University of Chinese Academy of Sciences · National University of Singapore · Alibaba Group
提出融合三级认知记忆与轨迹级 RL 的 GUI 用户仿真 Agent，显著提升行为保真与意图一致性
📌 工作参考价值（4 点）
- 在 LLM 驱动的用户模拟 / 智能导购中，不要直接拼接长历史，可采用三级记忆：Working Memory 保留最近 K 步视觉与心态、Episodic Memory 记录会话事件、Preference Memory 蒸馏高层购物意图；把记忆写入作为动作交给 RL 学习，能自动决定“何时记、记什么”，缓解长会话上下文爆炸。
- 训练用户模拟器别只做 next-action 模仿或 step-level reward，改用 trajectory-level RL：宏观奖励对齐动作类型分布（CTR/ACR/CVR/IPVR 等），微观奖励用三级类目层次做意图匹配，可避免过度探索或过度被动。
- 如果业务有真实页面截图，尽量让仿真/评估 Agent 走 GUI grounding，而不是纯文本元数据；论文显示 GUI 比 text 的类别意图一致性 HCO 从 19.03 提升到 30.00，RL 后进一步到 32.64。
- 评估用户模拟器时同时报告行为保真和意图一致性，防止 hit 率被过度交互撑高；可借鉴其指标：ATL 偏差、行为统计与真实分布的比值、类目重叠 HCO。
HyMem：通过信息隔离实现长程智能体的分层上下文管理
🧭 Agent 长程上下文分层隔离 ★ 深度解读
Institute of Automation, Chinese Academy of Sciences · University of Chinese Academy of Sciences · Nanjing Artificial Intelligence Research of IA
提出训练无关的分层上下文隔离框架 HyMem，将规划、执行、子任务推理与结构化记忆分离，显著提升长程 agent 的 Pass@1
📌 工作参考价值（4 点）
- 把 planner 与 executor 上下文彻底拆开，执行结果只回传 schema 化 RESULTS/RETURN，原始工具输出、重试和中间推理留在临时 context；适合电商导购 Agent 在多轮搜索与商品比较时，防止详情页噪声淹没主任务。
- 复杂子任务用独立的 isolated reasoning session 处理，返回结论+证据+confidence，主 planner 不累积推理过程；可直接用于优惠计算、多条件筛选、价格/评论冲突验证等需要多跳分析的导购场景。
- 结构化记忆分三类：episode/working/tool memory，fold 时只保留里程碑、当前目标和可复用工具经验；可用于长会话用户偏好记忆与跨会话召回。
- 确定性 fold triggers（planner ctx 利用率>0.99、连续失败>=3、tool calls>=10 等）可照搬，训练无关、即插即用；适合在现有 ReAct/搜索推荐 Agent 上快速压测上下文稀释问题。
代理记忆蒸馏：分层教师记忆赋能小模型代理
🧭 代理记忆蒸馏 · 分层教师记忆传递 ★ 深度解读
KAIST · DeepAuto.ai
通过工作流、子任务、函数三层记忆将大模型代理的工具使用经验蒸馏到小模型，无需训练，显著提升工具调用成功率
📌 工作参考价值（5 点）
- 分层记忆设计可直接复用到推荐/电商Agent：将大模型（如GPT-5）在复杂多步推荐任务（如“根据用户画像、实时行为、库存状况生成推荐”）中的成功轨迹，提取为任务规划(Workflow)、子任务执行示例(Subtask)（如召回→过滤→排序）和工具调用指南(Function)（如调用推荐API的参数格式、常见错误处理），注入到4B/8B小模型中，在降低线上延迟与成本的同时保持高质量决策。
- 按需纠错的函数记忆（Function Memory）：当小模型调用API出错时，仅在该步按函数名检索成功示例并注入上下文，不增加正常执行时的token开销，适合电商推荐中接口众多、参数复杂的工具调用场景，可显著降低错误恢复重试次数。
- 子任务记忆（Subtask Memory）贡献最大：实验表明，提供具体可执行的API调用序列（代码级示例）比纯文本策略描述更有效，在构建Agent的记忆库时，应优先沉淀高成功率的子任务执行片段，而非仅保存宏观策略。
- 4B规模模型受益最明显：资源受限的线上推荐Agent可优先采用4B量级模型配合AMD，用极低的推理成本达到接近大模型的工具使用能力；对大模型（>8B）效果收窄，可权衡是否部署。
- 训练无关的即插即用方式：无需微调，仅通过提示工程和离线记忆库构建，快速将历史大模型经验迁移到新上线小模型，适合快速迭代的推荐系统上线流程。
ReflectWorld-MM: 面向实体的开放视频流多模态记忆系统
🧭 面向实体的视频流长期记忆 · Agent 记忆增强
Rightly Robotics · Hangzhou Institute for Advanced Study, UCAS · Zhejiang University
以实体为中心的分层多模态记忆系统，在六个长视频与终身记忆基准中全面超越现有方案
📌 工作参考价值（4 点）
- 用户长期兴趣建模：借鉴实体为中心的语义记忆，将用户行为序列中的商品、品牌、品类等作为持久实体，动态更新其表示，避免遗忘历史兴趣，适用于电商推荐中的长周期兴趣刻画。
- Agent 对话记忆架构：分层记忆设计（情景记忆、语义记忆、程序记忆）可直接迁移到对话推荐或客服 Agent，使 Agent 能跨会话记住用户提及的实体及其变化，提升连续交互的连贯性。
- 流式数据处理：感知前端与短时记忆的边界设计，适合工程化实现流式用户行为输入下的增量更新，可参考其在特征存储和实体解析上的工程权衡，构建实时推荐特征管道。
- 多模态扩展思路：若将视频流替换为商品图文流或直播流，实体导向记忆有助于捕捉跨模态的同一商品，为多模态召回或排序提供一致的表征。
MemSlides：面向个性化幻灯片生成的分层记忆驱动Agent框架
🧭 Agent 记忆与个性化生成
Beijing University of Posts and Telecommunications · Tsinghua University · Shanghai Jiao Tong University
提出分层记忆框架（用户画像/工作/工具记忆）结合局部修改，实现多轮个性化幻灯片生成
📌 工作参考价值（4 点）
- 分层记忆设计可直接迁移到对话式推荐/购物Agent：将用户长期偏好（用户画像记忆）与会话级临时约束（工作记忆）解耦，避免偏好混淆。
- 工具记忆（存储可复用的API调用或操作序列）在电商Agent中可用于缓存高频操作模式（如“按价格排序”“筛选品牌”），提高执行可靠性。
- 局部修改策略（scoped local revision）可应用于推荐列表的多轮调整：当用户要求“把第二个商品换成更低价的”时，只更新受影响的槽位，而非重新生成整个列表。
- 意图条件画像（intent-conditioned profiles）的思路可用于搜索/推荐场景：根据用户当前意图（如“比价”vs“发现新品”）动态选择不同的偏好画像，提升首轮个性化质量。
面向相机卷的个人AI视觉问答助手
🧭 个人视觉记忆Agent与分层检索 ★ 深度解读
University of Wisconsin-Madison · Korea University · Adobe Research
提出个人相机卷VQA基准与分层记忆AI Agent，揭示长程个性化视觉理解的挑战
📌 工作参考价值（4 点）
- 分层记忆结构可直接复用到用户行为流：三层金字塔（原始行为→个性化摘要→事件/会话摘要）可对电商用户的浏览、加购、下单序列建模，O(1)双向链接支持快速回溯，适合构建「我上次买这类商品后还看了什么」之类的查询。
- 两轴工具设计是工程化检索的轻量范本：将检索接口按“范式（语义/词法/过滤）”和“深度（预览/全文/原始数据）”分解为5个原子工具，既控制token预算又保持灵活性，适合在推荐解释或对话推荐中按需调用不同粒度的信息。
- 事件分段方法可用于会话/场景切分：用MLLM以增量的方式判断行为属于延续、更新还是新事件，无需离线全量重处理，适合实时流式场景，如电商平台中将用户连续行为自动聚合为“选购某品类”“犹豫比较”等有语义的单元。
- 预算感知的Agent设计值得借鉴：显式给出剩余步骤数和工具配额，促使Agent在粗筛和精查之间做权衡，可在多步推荐推理中防止过度消耗资源，同时失败分析显示需针对记忆-行动循环做专项后训练，而非仅依赖通用能力。