Jev-Mem 开源：智能体记忆构建时间砍掉 84.9%

德克萨斯大学达拉斯分校的研究者发布了 Jev-Mem，一套开源的 AI 智能体记忆架构，绕开了智能体 AI 里最顽固的成本问题之一：用一个完整的大语言模型去做每一个例行的记忆决策。论文 2026 年 9 月 21 日登上 arXiv，第二天出现在 Hugging Face Papers 热门页 上，立刻引来了 AI 研究社群的注意。

Jev-Mem 要解决的核心设计难题很直白：随着 AI 智能体处理的任务变长，它累积的记忆必须被不断整理、检索和过滤。每当智能体需要给一条新进的记忆归类、判断它与既有记忆的关系、或者决定什么时候停止在记忆库里翻找，传统系统都会把这个决策交给一个大型自回归语言模型。一个 token 一个 token 地生成既慢又贵 —— 而 UT Dallas 这个团队主张，对于结果有界的结构化决策来说，这根本就是用错了工具。

分工：System-One 控制器管记忆，System-Two 管推理

这套架构借用了认知科学的双过程模型。人类认知里的 System One 负责快速、自动的判断，System Two 负责缓慢、审慎的推理。Jev-Mem 把这个划分直接搬到了智能体记忆上。一个专门的 System-One 控制平面 —— 建立在 Jev 结构化决策库之上 —— 掌管所有高频、有界的记忆操作；完整的语言模型作为 System Two，只留给开放式推理和产出最终答案。

在记忆构建阶段，System-One 控制器负责记忆分型、关系组织和冗余过滤。一条新观察会依次流过：Jev 判定它属于哪类记忆、找出候选的既有记忆、判断它们之间是否存在语义、时间、因果或实体关系，然后据此更新记忆库。因为这些操作每一个的输出都是有界的 —— 一个类别标签、一个概率、一个关系分数 —— 它们可以作为带类型的并行查询一次性派发出去，而不必以自由文本的形式生成。这条关键路径上不存在顺序的 token 生成。

在检索阶段，控制器负责查询路由、分配检索预算、执行图遍历、给候选打分，并应用自适应停止 —— 实时判断已经收集到的相关证据是否足以交给 System Two，还是值得再多检索几轮。其结果是一个「路由、检索、评估、必要时扩展」的迭代循环，而不是一次固定的 top-K 搜索、不管相关性如何都返回预定数量的结果。

延伸阅读：TypeSafe 的 Jev 不生成一个字，直接给出结构化决策

LoCoMo 上的结果说明了什么

LoCoMo 是一个专门检验 AI 智能体长期对话记忆的基准。在它上面，Jev-Mem 拿到 0.777 的 LLM-as-a-Judge 总分，相对论文所评估的最强基线取得了 11.0% 的相对提升。提升最明显的是那些需要多步检索和噪声过滤的任务：多跳问答从最佳基线的 0.569 提到 0.623，开放域查询从 0.517 提到 0.618，带对抗性干扰项的问题从 0.742 提到 0.962。

效率结果才是这套做法与既有工作拉开最大距离的地方。LoCoMo 数据集的记忆构建用时 158 秒 —— 相比最快的竞争系统所需的 1044 秒减少了 84.9%。A-MEM 和 MemoryOS 这类系统完成同样的构建任务要 3000 秒以上。平均查询延迟方面，Jev-Mem 是 0.93 秒，比 1.47 秒的 MAGMA 基线低 36.7%，比直接把完整对话历史喂给语言模型的 1.74 秒低 46.6%。作为对照，MemoryOS 的平均查询延迟录得 32.68 秒 —— 约为 Jev-Mem 的 35 倍。

有一条背景值得点出来：论文里最强的那个基线 MAGMA，是同一个 UT Dallas 研究组在 2026 年早些时候发表的。Jev-Mem 是该团队的后继系统，设计目标正是降低 MAGMA 纯图检索所带来的计算开销。所以相对 MAGMA 的提升是组内比较，不是与外部竞争者的较量。基准数字在论文表格里内部自洽，但读者应当把这个自引基线的分量掂量好。

多重关系的记忆结构

Jev-Mem 不是简单地给 AI 智能体挂一个向量数据库。每一条记忆项都同时以四种关系类型被表示：语义、时间、因果和实体。这种多重关系结构意味着，同一条存下来的观察，可以根据查询实际需要什么，经由不同的图路径被取出来 —— 一条因果链、一条事件时间线、一组实体关联，或者纯粹的语义相似。

检索时，System-One 控制器按哪种关系类型最贴合所述需求来路由查询，并据此分配检索预算。接着进行图遍历，每一步都给候选打分并评估停止条件。只有当控制器判定已经收集到足够高质量的证据，它才把这些证据交给语言模型做最终综合。语言模型从来看不到原始的记忆倾倒，它看到的是控制器组装好的、经过预过滤和相关性打分的上下文。

开源代码与可复现性

研究团队已在 github.com/libingzheren/Jev-Mem 放出完整代码库，并提供了一个演示该系统的 Hugging Face Space 交互页面。论文由 UT Dallas 计算机科学系的 Dongming Jiang、Yi Li 和 Bingzhe Li 撰写，以 arXiv 预印本 2609.23986 的形式在 Creative Commons BY 4.0 许可下提供。

更广的 AI 智能体记忆研究领域，正越来越多地在提升检索质量的同时压低记忆操作的算力成本 —— 这是一个此前工作常当作次要事项的联合优化。Jev-Mem 加入了 Zero-Mem、LightMem、RippleMem 等一批近期论文所在的集群，它们探索的都是同一类架构：用轻量控制器管理记忆流水线，把语言模型的算力留给真正需要开放式生成的任务。这种架构范式会不会成为生产标准，取决于它在 LoCoMo 基准之外的真实智能体负载上扩展得如何。