Omni-SimpleMem：Agent自己设计的记忆系统，比人类手工方案强4倍

一个困扰Agent社区的问题：如果Agent已经聪明到能做研究了，为什么不能自己设计自己的架构？

UNC Chapel Hill的团队决定验证这个想法。他们构建了AutoResearchClaw，一个23阶段的自主研究流水线，然后把它指向Agent记忆这个问题。结果就是Omni-SimpleMem，一个Agent本质上为自己设计的多模态记忆框架。而且它比人类手工设计的任何方案都要好得多。

数字很惊人。在LoCoMo长对话记忆基准上，F1从0.117跳到0.598，提升411%。在测试多模态记忆的Mem-Gallery上，F1从0.254升到0.797，提升214%。这不是边际收益。自主研究流水线找到了人类研究者完全没发现的架构选择。

系统基于三个原则。选择性摄入使用熵驱动的过滤器处理每种模态，让Agent只存储真正重要的内容。渐进式检索结合FAISS和BM25搜索与金字塔token预算扩展，根据查询复杂度调整检索力度。知识图谱增强添加了多跳跨模态推理，让Agent能在文本、图像、音频和视频之间关联记忆。

元叙事可能比具体架构更重要。AutoResearchClaw在两个基准上自主执行了约50个实验，诊断失败模式、提出架构修改、修复数据流水线bug，全程无需人工干预。它发现了初始记忆配置中人类从未识别的根本瓶颈。这是把autoresearch应用到Agent基础设施本身。

代码在 github.com/aiming-lab/SimpleMem，论文在 arxiv.org/abs/2604.01007。