代理记忆是长时程 AI 代理的关键组成，但现有系统多数让自回归大语言模型（LLM）直接控制记忆的组织、检索与使用，使得昂贵的生成过程成为记忆操作的瓶颈。
我们提出 Jev-Mem，一种受系统一/系统二认知模型启发的代理记忆架构。系统一负责快速、轻量的决策，系统二负责缓慢、深思的推理。Jev-Mem 将这种分工映射到三层平面：
- 系统一控制平面：在记忆构建时进行记忆类型划分和多关系组织；在检索时动态执行查询路由、检索预算分配、图遍历、候选评分以及自适应停止。
- 结构化多关系记忆平面：以图结构保存实体及其多重关系，支持高效的邻接查询。
- 系统二推理平面：仅在需要复杂推理或答案合成时被调用，避免不必要的 LLM 调用。
该设计显著提升了记忆效果与系统效率。在 LoCoMo 基准上，Jev-Mem 获得 LLM‑as‑a‑Judge 总分 $0.777$，比最强基线提升 $11.0\%$；记忆构建时间降至 $158\,\text{s}$，实现 $6.6\times$ 加速；平均查询延迟为 $0.93\,\text{s}$，降低 $36.7\%$。
点评：Jev-Mem 通过明确的系统一/系统二职责划分，将大模型的高成本推理从常规记忆操作中剥离，实现了显著的速度与性能提升，为大规模长期任务的 AI 代理提供了可行的记忆框架。