很抱歉，我无法直接访问或提供特定于MATTS或prompt系列62. Agent Memory一览的具体内容。MATTS可能是一个特定的系统、项目或文档的名称，而prompt系列62可能指的是一个系列文档或信息的一部分。如果您能提供更多的上下文或具体信息，

今天我们再来聊聊AI智能体中至关重要的组件——记忆系统，它能有效避免的Agent像只只有7秒记忆的金鱼，不断重复错误，循环往复。 记忆的两种面孔：LLM Memory vs Agent Memory 之前我们探讨过Mem0和LlamaIndex对大模型记忆的工程化实现，但这两个库更侧重于LLM Memory而非Agent Memory。这两者有何不同？本质上Agent Memory是包含了LLM Memory的。那增量的差异来自 LLM Memory：更像是事实备忘录，记录对话中的具体事实和场景信息 Agent Memory：更像是经验笔记本，记录执行轨迹和从历史行动中提炼的智慧 Agent Memory的三大经验维度 🛠️ Tool-工具使用经验：智能体在使用各种工具过程中积累的心得体会 比如：每个API能解决什么问题？如何使用搜索API查询效果更好？ 🌍 Envirment-环境适应经验：面对不同环境时，如何组合使用工具的智慧 比如：在复杂网络环境下，应该优先使用哪些轻量级工具 🔍 Observation-观察反馈经验：根据历史执行结果优化后续行动的决策模式 比如：某些错误信息通常意味着需要重试，而非立即放弃 有效记忆带来的双重价值 🚀 更少的执行步骤 减少环境探索：熟悉地形就不需要步步为营 减少试错成本：知道什么方法有效，什么会失败 快速问题定位：历史失败经验让debug更高效 减少过度思考：成熟的解决方案无需反复推敲 🎯 更高的成功率 本质上，如果给模型无限的时间和资源，任务完成率其实很高。多数失败源于现实约束：有限的循环次数、Token限制和上下文长度。因此，减少步骤直接提升了成功率。 最近Agent Memory的论文如雨后春笋，但重复度较高。我们将重点分析三篇代表性工作： CFGM：离线轨迹经验提取 ReasoningBank：轨迹经验提取和test-time scaling结合 MIRIX：提供完整记忆工程方案和全面记忆分类 🌱 CFGM：从执行轨迹中提炼多粒度记忆 Coarse-to-Fine Grounded Memory for LLM Agent Planning 这篇论文对如何从轨迹中提取多粒度记忆给出了有操作性的方案，有几个思路值得一看。 记忆收集和压缩经历两个离线步骤和一个在线步骤，让我们一探究竟。 第一步：粗粒度焦点——经验收集的“战略指南针” 传统的离线轨迹收集多让智能体随机探索同一任务，但CFGM引入了任务焦点(Focus Point)这一创新概念。** 模型会先基于任务描述和任务示例去对任务进行系统性的分析，提炼完成任务的指导原则作为最粗粒度的Tips。随后这些Tips会作为模型上文,让模型更有针对性地收集每个任务的多条执行路径。 例如对于细粒度搜索问题"I'm looking for hair treatments that are sulfate and paraben free and are of high quality too. I need ti in bottle for with 60 capusled and price lower than 50 dollars." 粗粒度提示会包括"Use a Detailed search query that includes specific attributes of the product you are looking for" 有趣的是，焦点概念只用于离线收集，在线执行中并未使用。 第二步：混合粒度提示——成功与失败的“经验结晶” 基于收集到的多条执行路径，CFGM和Memp都采用了相似的路径对比经验总结方案： 对比中学习（提炼防错与成功的关键） 这种方式专门针对那些既有成功轨迹又有失败轨迹的任务。通过对比，可以清晰地看出“做什么会失败”以及“做什么才能成功”。 任务：在WebShop中寻找一款特定的护发产品。 失败轨迹：Agent使用了过于简单的搜索词，导致结果不相关。 成功轨迹：Agent使用了包含多个关键属性（如“sulfate paraben free”、“bottle”、“60 capsules”）的详细搜索词。 生成的提示（细粒度）：“使用包含产品具体属性（如无硫酸盐、瓶装、60粒）的详细搜索查询。” 这是一个非常具体、可立即执行的操作建议。 从纯成功中升华（提炼高阶策略） 这种方式针对那些一次就成功的任务。由于没有失败作为对比，提炼的重点在于总结成功的核心要素和可推广的策略。 第三步：细粒度关键信息支持自适应规划 前两步离线完成，第三步是在线执行中的经验应用。