在长时间跨度的 AI 代理中，代理记忆是一个系统性问题。实际部署需要在延续的对话中保留任务状态，恢复用户特定的事实和偏好，并积累来自先前结果的程序性知识。这些需求超出了文档检索的范畴：记忆层必须决定哪些交互成为持久状态，如何界定该状态，如何在延迟约束下检索，以及如何随着时间的推移进行修订或删除。
本报告研究了 Oracle Agent Memory，作为构建在 Oracle 数据库上的原生数据库记忆基础设施。讨论围绕三个主题展开：
- 记忆的生命周期，包括采集、提取、整合、检索、总结以及修订或删除；
- 一种分层架构，将活跃记忆核心与被动记忆存储接口分开，并在用户、代理和线程之间进行明确的范围控制；
- 评估方法论，其中下游任务的准确性与记忆中心的度量相辅相成，如证据检索、召回、延迟和估算的令牌使用。
报告总结了 LongMemEval 的结果，达到 93.8% 的准确率，并将 Oracle Agent Memory 与平面历史基线进行比较，使用的令牌数量约为 10.7 倍更少，同时也与外部基线进行对比，并附上了实现导向的附录材料，涵盖了设置、线程生命周期和搜索语义等内容。
博主点评： 本文深入探讨了长时间跨度 AI 代理的记忆机制，提出了一个高效的数据库原生记忆基础设施。通过分层架构和精确的评估方法，Oracle Agent Memory 显示出在性能和资源使用方面的显著优势，为未来的 AI 应用提供了新的解决方案。