AI Agent

Agent Memory Below the Prompt: Persistent Q4 KV Cache for Multi-Agent LLM Inference on Edge Devices

代理记忆低于提示：持久化Q4 KV缓存用于边缘设备上的多代理LLM推理

Yakov Pyotr Shkolnikov

专题命中 记忆与上下文管理 ：agent(title,abstract)；multi-agent(title,abstract)；workflow(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种持久化Q4 KV缓存的方法，用于在边缘设备上提高多代理LLM推理效率，通过减少缓存恢复时间，提升模型性能。

Comments 24 pages, 6 figures, 16 tables. Open-source implementation at https://github.com/yshk-mxim/agent-memory

EchoGuard: An Agentic Framework with Knowledge-Graph Memory for Detecting Manipulative Communication in Longitudinal Dialogue

EchoGuard: 一种基于知识图谱记忆的代理框架，用于检测纵向对话中的操纵性沟通

Ratna Kandala, Niva Manchanda, Akshata Kishore Moharir, Ananth Kandala

专题命中 记忆与上下文管理 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI

AI总结 EchoGuard通过知识图谱记忆和结构化循环检测纵向对话中的操纵性沟通，提升个体识别能力与自主性。

Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline

迈向多模态终身理解：一个数据集和代理基准

Guo Chen, Lidong Lu, Yicheng Liu, Liangrui Dong, Lidong Zou, Jixin Lv, Zhenquan Li, Xinyi Mao, Baoqi Pei, Shihao Wang, Zhiqi Li, Karan Sapra, Fuxiao Liu, Yin-Dong Zheng, Yifei Huang, Limin Wang, Zhiding Yu, Andrew Tao, Guilin Liu, Tong Lu

专题命中 记忆与上下文管理 ：agentic(title,abstract)；agent(abstract)

AI总结 本文提出MM-Lifelong数据集和ReMA代理，解决多模态终身理解中的工作记忆瓶颈和全局定位崩溃问题，通过动态内存管理提升模型性能。

AMV-L: Lifecycle-Managed Agent Memory for Tail-Latency Control in Long-Running LLM Systems

AMV-L：用于长运行LLM系统中尾延迟控制的生命周期管理代理内存

Emmanuel Bamidele

专题命中 记忆与上下文管理 ：agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 AMV-L通过生命周期管理内存，有效降低LLM长运行系统的延迟和吞吐量，提升极端尾部性能。

Memory as Ontology: A Constitutional Memory Architecture for Persistent Digital Citizens

记忆作为本体：一种持久数字公民的宪法记忆架构

Zhenghui Li

专题命中 记忆与上下文管理 ：agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本文提出记忆作为本体的范式，设计了Animesis系统，针对持久数字公民的生命周期问题，强调身份连续性而非检索性能。

Comments 22 pages, 5 figures, 2 tables, including terminology glossary

From Word to World: Can Large Language Models be Implicit Text-based World Models?

从词到世界：大型语言模型能否作为隐式的基于文本的世界模型？

Yixia Li, Hongru Wang, Jiahao Qiu, Zhenfei Yin, Dongdong Zhang, Cheng Qian, Zeping Li, Pony Ma, Guanhua Chen, Heng Ji

机构 * Southern University of Science and Technology（南方科技大学） ； Microsoft Research（微软研究院） ； University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） ； Oxford University（牛津大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Fudan University（复旦大学） ； Mind Lab 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.CL

AI总结 本文研究了大型语言模型在基于文本的环境中作为世界模型的可行性，通过三个评估层面验证了其在提升智能体性能方面的有效性，并明确了环境复杂性和行为覆盖对世界建模效果的影响。

INMS: Memory Sharing for Large Language Model based Agents

INMS: 基于大语言模型的智能体中的记忆共享

Hang Gao, Yongfeng Zhang

机构 * Rutgers University（罗格斯大学） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.CL

AI总结 INMS通过异步交互范式实现多智能体间的动态记忆共享，提升开放性场景下的智能体性能。

Adaptive Memory Admission Control for LLM Agents

自适应记忆准入控制用于大语言模型代理

Guilin Zhang, Wei Jiang, Xiejiashan Wang, Aisha Behr, Kai Zhao, Jeffrey Friedman, Xu Chu, Amine Anoun

机构 * Workday AI 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 提出自适应记忆准入控制框架，通过分解记忆价值因素提升大语言模型代理的长期记忆管理效率与可靠性。

Zombie Agents: Persistent Control of Self-Evolving LLM Agents via Self-Reinforcing Injections

僵尸代理：通过自我强化注入实现自我演化大语言模型代理的持续控制

Xianglin Yang, Yufei He, Shuo Ji, Bryan Hooi, Jin Song Dong

机构 * School of Computing National University of Singapore（计算学院新加坡国立大学） 纠错

专题命中 记忆与上下文管理 ：agent(abstract,comments)；分类 cs.AI

AI总结 研究提出僵尸代理攻击，通过自我强化注入实现对自我演化大语言模型代理的持续控制，揭示内存演化可将一次间接注入转化为持久妥协，表明单一会话提示过滤防御不足。

Comments Published as a workshop paper in Lifelong Agent @ ICLR 2026

AutoSkill: Experience-Driven Lifelong Learning via Skill Self-Evolution

AutoSkill: 通过技能自我进化实现经验驱动的终身学习

Yutao Yang, Junsong Li, Qianjun Pan, Bihao Zhan, Yuxuan Cai, Lin Du, Jie Zhou, Kai Chen, Qin Chen, Xin Li, Bo Zhang, Liang He

机构 * School of Computer Science and Technology, East China Normal University（1 计算机科学与技术学院，东华大学） ； Shanghai AI Laboratory（2 上海人工智能实验室） 纠错

专题命中 记忆与上下文管理 ：agentic(abstract)；分类 cs.AI

AI总结 AutoSkill通过技能自我进化实现经验驱动的终身学习，使LLM代理能够自动推导、维护和重用技能，提升个性化能力的持续性和可重用性。

The effect of a toroidal opinion space on opinion bi-polarisation

环形意见空间对意见双极化的影响

Frank P. Pijpers, Benedikt V. Meylahn, Michel R. H. Mandjes

专题命中 记忆与上下文管理 ：agent(abstract)

AI总结 本文研究了环形意见空间对意见双极化的影响，发现其在稳态下能形成更多群体，并对扩展更敏感。

Comments 15 pages + Appendices. Comments welcome