前言
《TF锐评》是TF技术前线推出的双周栏目。每期由一支SIG的技术专家团队，从海量学术论文、技术博文、实战案例等各类前沿内容中优中选优，提炼核心观点、标注落地价值，帮行业从业者省去筛选成本、直击技术重点，高效吸收前沿成果与实践经验。
本期由 CCF TF 数据科学与知识工程 SIG 推荐，推荐人：王昊奋、冯欣伟。
MemOS 2.0 Stardust: A Self-Evolving MemOS for LLM & AI Agents
超10K的记忆管理开源项目，MemOS 2.0 Stardust 的核心价值在于把 Agent 记忆从“检索增强组件”推进到了“可插件化接入、可本地部署、可持续进化的记忆运行环境”。相比传统对话记忆或简单向量库方案，MemOS 2.0 更强调工程可用性：一方面提供面向 Hermes Agent、OpenClaw 等 Agent 框架的本地记忆插件，支持 SQLite 持久化、FTS5 + 向量混合检索、智能去重、Memory Viewer 可视化管理；另一方面将长期记忆进一步拆解为 L1 交互轨迹、L2 行为策略、L3 世界模型和可沉淀复用的 Skills，使 Agent 不只是“记住发生过什么”，还能够从历史任务中积累偏好、工具调用经验和跨任务能力。项目同时支持 Cloud Service 和 Self-hosted 两种使用方式，并在多模态记忆、工具记忆、Multi-Cube 知识库、自然语言反馈修正、精确删除和异步调度等方面做了系统化增强，适合正在构建长期运行 Agent、AI 终端、本地助手和企业级智能体系统的工程团队重点关注。
点击阅读原文 或 复制链接至浏览器打开：
项目开源地址：
https://github.com/MemTensor/MemOS
项目主页：
https://memos.openmem.net/cn/
论文地址：
https://arxiv.org/abs/2507.03724
MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents
这篇论文的核心价值在于为端云协同智能体提供了一种更细粒度、更可落地的长期记忆隐私保护方案，使系统能够在不暴露用户原始敏感信息的前提下，仍然保留记忆形成、检索和个性化交互所需的语义结构。当前很多云端智能体的记忆系统会把用户对话、偏好、健康、财务、账号等信息写入长期记忆，带来持续性的隐私暴露风险；而传统的强遮蔽或粗粒度匿名化又容易破坏任务语义，影响个性化体验和记忆召回效果。MemPrivacy 提出了一套面向端云协同智能体的隐私保护记忆框架：在端侧识别隐私片段，并按照四级隐私分类体系进行分级，再用类型化占位符替换原始敏感值，云端只处理占位后的语义信息，最终在本地完成还原。项目同时开源了 GitHub 代码仓库和 MemPrivacy 模型，支持研究者和工程团队复现实验、接入现有记忆系统，实现端云协同场景下的隐私保护记忆管理。
点击阅读原文 或 复制链接至浏览器打开：
项目开源地址：
https://github.com/MemTensor/MemPrivacy
模型地址：
https://huggingface.co/collections/IAAR-Shanghai/memprivacy
论文地址：
https://arxiv.org/pdf/2605.09530
Remembering More, Risking More: Longitudinal Safety Risks in Memory-Equipped LLM Agents
这篇论文的核心价值在于把长期记忆安全放到时间维度中重新审视，指出智能体并不只是会在单次任务中出错，也可能因为长期积累的记忆在后续任务中被错误调用而产生安全风险。当前很多记忆安全研究主要关注提示注入、记忆投毒、隐私抽取等对抗场景，而这篇论文关注的是非对抗条件下的日常使用：随着智能体持续处理邮件、表单、备忘录、开发任务等内容，早期看似无害的信息可能在后续无关任务中触发泄露、越权承诺或过时信息复用。论文提出“时间记忆污染”这一概念，并设计触发-探针评估协议和 NullMemory 对照基线，用来区分输入流变化与记忆积累本身带来的风险。实验覆盖办公助理和 Claw-like 工具型智能体，发现记忆暴露越长，记忆诱发违规率通常越高。对于正在构建长期运行智能体、企业办公助手和持久化记忆系统的团队来说，这篇论文适合作为评估长期记忆安全和设计记忆治理机制的重要参考。
点击阅读原文 或 复制链接至浏览器打开：
项目主页：
https://ahmad-tawaha.github.io/projects/remembering-more/
论文地址：
https://arxiv.org/abs/2605.17830
PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents
这篇论文来自ICML 2026，其核心价值在于把 Agent 长期记忆的问题从“如何保存更多历史记录”，推进到了“如何从历史经历中沉淀可复用经验”。当前很多记忆系统仍停留在存对话、存轨迹、再检索的范式，容易带来上下文膨胀、冗余召回和跨任务失效；而 PlugMem 更强调从过往交互中抽象出事实性知识和行动策略，并将长期记忆组织为可插拔的任务无关模块。论文提供了开源 GitHub 项目，方便工程团队参考实现与复现实验，适合正在做 LLM Agent的一线工程师阅读。
点击阅读原文 或 复制链接至浏览器打开：
https://arxiv.org/pdf/2603.03296
Dynamic Long Context Reasoning over Compressed Memory via End-to-End Reinforcement Learning
这篇论文来自 ACL 2026，其核心价值在于提出了一种结合显式记忆与隐式记忆的长上下文推理方法。当前很多长上下文方案要么依赖全量注意力处理原始 token，计算成本高；要么依赖 RAG 式的显式文本检索，容易造成上下文碎片化，难以处理多跳推理中的隐含依赖。LycheeMemory 则将长文档分块压缩为 KV-cache 风格的隐式长期记忆表示，同时维护可读、可更新的短期工作记忆作为显式推理状态，并通过门控根据推理状态动态召回相关记忆，再由 Reasoner 迭代推理。论文还用到端到端强化学习联合优化方法，使压缩记忆能够直接服务下游推理目标。论文提供了开源 GitHub 项目和huggingface模型，适合正在做长上下文推理或记忆系统的一线工程师阅读。
点击阅读原文 或 复制链接至浏览器打开：
https://arxiv.org/pdf/2602.08382
总策划：
宋继强 CCF TF主席，英特尔中国研究院院长
本期责任主席：
王昊奋 CCF TF数据科学与知识工程 SIG 主席，同济大学长聘教授、博士生导师
本期点评人：
王昊奋 CCF TF数据科学与知识工程 SIG 主席，同济大学长聘教授、博士生导师
冯欣伟 CCF TF数据科学与知识工程 SIG 执委，北京初心智慧科技有限公司创始人
栏目说明
每双周发布，下一期由CCF TF多智能体系统SIG推荐。
本文推荐的外部内容著作权归原作者原平台所有。TF仅提供推荐语和原文链接，如有版权疑虑，请联系tf@ccf.org.cn。
? 如果觉得有用，请点击“推荐”或分享给身边的工程师同事。
? 留言区说说：你最近看到的一篇好文？
点击“阅读原文”，加入CCF。