Keewano 宣布推出 KeewanoDB，并完成 1200 万美元种子轮融资。该数据库面向机器推理场景保留用户、设备与智能体事件的顺序和上下文，试图让 Agent 直接读取连续历史，而不是每次从传统表结构重建上下文。
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
说明：本文由 AICoder 编辑部借助 AI 工具整理撰写，依据文中注明的官方及媒体来源，并按人工制定的采编标准核对事实与数字；厂商自报的数据已标明出处。
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
大模型智能体进入陌生环境或操作新工具时，往往极度缺乏系统运维经验与环境隐性规则，导致在类似步骤中反复触礁。现有的智能体记忆系统严重依赖昂贵的人工标注指南或预先提供的基准任务与 Oracle 判定器。Illuin Technology 团队在最新研究（arXiv:2610.08048）中开源了全新无监督记忆自演进框架 DAEDALUS。DAEDALUS 独创“探索者（Explorer）与解答者（Solver）”双智能体自博弈范式：Explorer 自主在沙箱环境中挖掘有挑战性但可解的新任务；Solver 尝试解题并在遭遇失败时提炼启发式规则（Heuristics）；只有当该规则在后续重试中持续带来确定性成功时，系统才会将其持久化写入记忆库。在 AppWorld、tau^2-bench 和 AutomationBench 三大高难度真实环境基准中，DAEDALUS 在零人工干预下将任务平均成功率最高提升 15.9 个百分点，Pass^5 成功率实现 2.2 倍翻倍提升，且提炼出的记忆规则具备出色的跨模型家族通用迁移能力。
大语言模型智能体在长时间交互中持续积累与优化可复用的程序化知识（Procedural Skills），是通向长效自主智能的必经之路。然而，传统的经验驱动型技能进化方法存在致命缺陷：它们在提炼经验时往往丢失了底层的行为证据和原始任务上下文，导致“知其然而不知其所以然”；更严重的是，传统的全局验证（Global Validation）采用“一票否决制”，使得许多局部非常优秀的修改在整体任务失败时被连带抛弃。清华大学等机构的研究团队在最新论文（arXiv:2610.05030）中提出了全新的证据驱动型技能演进框架 EVISKILL。EVISKILL 首创“可重放证据卡（Replayable Evidence Cards）”，将智能体的执行轨迹与支撑上下文紧密锚定；通过针对性的目标重放机制（Targeted Replay），系统能以确定性重执行对局部修改进行独立求证，并跨 Epoch 保留具备事实支撑的有效修改；最后由全局验证统一仲裁合并。在 3 大复杂交互式基准与 6 种主流 LLM 底座上的全面实验表明，EVISKILL 显著超越传统经验反思基准，实现了零模型参数微调下的长效高质量技能进化。
在自主智能体（LLM Agents）架构设计中，持久化跨会话记忆长期存在两条针锋相对的技术路线：一条主张使用昂贵的大模型异步将多轮对话‘蒸馏提取（Fact Extraction）’为三元组或结构化摘要记忆库（如 Mem0、Zep）；另一条则主张直接保留‘原始对话轮次（Raw Turns）’并依靠检索排序进行上下文注入。学术界过去对两者的优劣各执一词。研究团队在 Zenodo 平台完成了严谨的科学预注册，并在 LoCoMo 与 LongMemEval 两大基准上展开了首个双盲受控实验（arXiv:2609.34227）。实验给出了令人震动的明确结论：在紧凑预算下，使用微型类型化决策模型 Jev 直接精选出的原始对话轮次，在下游任务准确率上与耗资巨大的大模型提取记忆库达成非劣效（Non-Inferiority，统计置信度 95%），而写入记忆的计算与 API 成本足足降低了 3,061 倍！此外，研究首次阐明了重排序（Reranking）与预算大小的因果关系，并指出盲目重排序会严重削弱智能体的正确弃权（Correct Abstention）能力。开源代码库与评估数据已发布（github.com/ris3abh/Engram）。
近 14 天全网开发者深度交互与阅读热度
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察