苹果发布智能体持久记忆架构研究：选择性共享上下文突破多轮工具调用瓶颈

苹果机器学习研究团队发布关于智能体大模型持久记忆架构的研究论文，探讨通过选择性保留与共享关键上下文来解决多轮工具调用中的上下文丢失与冗余问题。

• 多轮工具调用的代码生成智能体在传统模式下每轮会话均需从零初始化，丢失历史配置、领域约束与工具调用模式。
• 简单持久化全部对话历史不仅消耗大量 token 预算，且无关历史信息会干扰模型的生成质量。
• 该研究提出共享选择性持久记忆机制，筛选并持久化任务规范、数据模式等四类可复用上下文。
• 记忆模块支持跨会话共享，使智能体在后续任务中可直接复用前期积累的环境配置与约束信息。
• 影响/看点：该架构若在复杂多智能体开发环境中落地，有助于在控制上下文长度的同时提升多步骤任务的执行连贯性，其效果取决于系统对可复用信息的识别准确率与过滤策略。
• 资料依据：
• Apple Machine Learning Research（2026-09-16）：https://machinelearning.apple.com/research/shared-selective-persistent-memory

本内容由 AI 生成，仅供参考，请注意甄别