实证研究显示Agent记忆系统成本高且效果有限

Zedong Peng发布实证研究“MemoryTax”，探讨Agent记忆系统的成本与效益。研究使用LoCoMo单一对话（419轮次、152个问答），测试四种记忆方法（全上下文、BM25、Mem0、Zep）与三种编码代理（Pi、Codex、Claude Code），并分别在GPT-4o-mini、GPT-6 Luna和Claude Opus 5.5上运行。 结果显示，强模型自身的全上下文检索表现优于预设记忆系统，Agent记忆更像是弱模型的昂贵补丁。Mem0仅在GPT-4o-mini上优于全上下文，但构建成本超过单次全上下文运行。组合Claude Opus 5.5与Pi编码代理表现最佳，准确率达99%，且成本不足全上下文的一半。部分优势还来自Agent读取照片描述，并非源于记忆机制本身。

AI 根据报道生成 · 13 小时前更新