rinder

我们可能从一开始，就把 Agent Memory 想得太复杂了 最近一篇论文《Is Complex Agentic Memory Always Needed?》做了一个很有意思的实验： 不做 Memory Extraction，不做复杂的知识图谱，也不让 LLM 在写入时反复总结、更新记忆 只保留原始对话历史，在需要的时候检索出来，交给 LLM 自己推理 结果呢？ 在 LoCoMo、LongMemEval 等四个 benchmark 的 7 组测试设置中，这套简单的 RAW-RAG 方案拿下了 6 组第一，最多领先对比的最强 Agentic Memory 系统 5.53 分 这恰好也是我们开发 Obelisk 时一直坚持的思路 我们认为，Agent 不应该只能看到别人替它总结好的「记忆」 因为一次代码修改背后的原因、一次失败的尝试、几个决策之间的依赖关系，都可能在总结和信息提取的过程中丢失 与其猜测未来什么信息值得记住，不如保留完整历史，让 Agent 在真正需要的时候自己去找 所以我们做了 Obelisk： 一个开源的 Coding Agent Session 检索系统 它可以直接查询 Claude Code、Codex、Hermes、Pi、Opencode 等 Agent 的历史 Session，包括对话、工具调用、Subagent 和工作流。 不依赖 Embedding，也不需要预先从历史中提取 Memory 基于 SQLite FTS5 和 Agent 主动查询，让 Agent 能够重新找到过去的原始证据 比如： - 为什么当初要这样设计这段代码？ - 上一个 Agent 的任务进行到哪里了？ - 我们之前尝试过哪些方案，为什么失败？ - 这个项目的架构是如何一步步演变的？ Memory 不应该是一份不断被改写的摘要，而应该是一段随时可以追溯的历史 也许下一代 Agent Memory 的关键，不是让 Agent 更努力地记住，而是让它拥有找回过去的能力 Obelisk 完全开源： github.com/tommy0103/obelisk 论文：arxiv.org/abs/2610.30755