微软研究院发布Memora：解耦存储与检索，实现长时任务智能体记忆新突破

摘要：微软研究院发布Memora，一种面向长时任务AI智能体的可扩展记忆系统。Memora通过将存储内容与检索机制解耦，以主抽象和线索锚点平衡抽象与具体性，在LoCoMo和LongMemEval基准上刷新SOTA，相比全上下文推理节省高达98%的上下文令牌。该系统已开源，论文发表于ICML 2026，为智能体长期记忆提供了新范式。

---

概述

微软研究院近日发布Memora，一种专为长时任务AI智能体设计的可扩展记忆系统。Memora的核心创新在于将存储内容与检索机制解耦，通过主抽象（primary abstraction）和线索锚点（cue anchors）平衡抽象与具体性，使智能体能够高效地保留和访问长期信息。

技术亮点

• 解耦存储与检索：记忆内容保持丰富表达，而轻量级结构层负责索引和检索，避免现有系统在具体性与抽象性之间的两难。
• 主抽象与线索锚点：每个记忆条目包含一个6-8词的主抽象用于相似性搜索，以及多个线索锚点提供替代访问路径，无需固定本体。
• 策略引导检索器：将记忆访问视为主动推理过程，迭代细化查询，通过线索锚点扩展相关但非相似的记忆，支持多跳依赖。

性能表现

在LoCoMo（平均600轮对话）和LongMemEval（115,000令牌上下文）基准上，Memora分别达到86.3%和87.4%的LLM-judge准确率，优于RAG、Mem0、Zep等基线，甚至超过全上下文推理。同时，Memora存储的记忆条目比Mem0少约一半（344 vs 651），令牌消耗降低高达98%。

行业影响与展望

Memora为智能体长期协作和知识积累提供了基础设施。微软研究院正探索MemLoop（从失败中学习）、Deferred Memory（延迟记忆构建）、Group Memory（团队共享记忆）等方向。代码已开源，社区可在此基础上构建无状态智能体的新应用。

出处

本文基于Microsoft Research官方博客文章《Memora: A Harmonic Memory Representation Balancing Abstraction and Specificity》，原文链接：https://www.microsoft.com/en-us/research/blog/memora-a-harmonic-memory-representation-balancing-abstraction-and-specificity/

—— 完 ——

主题标签： #Memora #智能体记忆 #长上下文 #ICML 2026 #微软研究院