论文提出了LEGOMem，一个用于为Multi-Agent架构设计的模块化记忆系统。通过对多智能体系统中的各类角色设计模块化记忆，提高整个系统的持续协调与规划能力。

论文提出了Mem-α，一个用强化学习搭建的智能体记忆框架，用以解决直接使用语言模型处理工具所带来的信息丢失、效率低下等问题。传统方法过于依赖预设指令与工具，Mem-α通过交互与反馈，采用GRPO训练智能体有效管理复杂记忆系统。

论文旨在解决现有大模型系统在持续学习、记忆机制评估上的空白。已有bench主要关注模型对长文本的理解能力，缺乏实际反馈，无法衡量系统从长期交互中持续改进的能力。为此，论文通过“LLM-as-user”批量生成反馈日志并检验系统吸收反馈、更新记忆后的持续表现。

Function Calling 是让大模型具备工具调用能力的关键。通过 SFT 等 post-train 手段，我们可以让大模型遵循指令生成一个特定格式的 tools 调用文件（xml, json），并通过代码解析该文件来确定当前对话轮次要调用的 function 信息。而 MCP 对这一过程做了标准化，提供了统一的接口与服务。

Mem0 是 Agent Memory 领域的经典作，针对现有 Agent 系统依赖上下文短期记忆，而对长期记忆优化不足的问题，设计了一种记忆组织与维护架构。同时一并提出基于知识图谱的 Mem0g。

Agentic RAG 相比传统的一步检索式 Native RAG 有了更卓越的表现，通过牺牲了一些推理时间来换取了更令人满意的效果。本质上就是利用 Agent 多步决策的思路，使模型在检索相关文档时能够有思考、回退、改写等等决策，而不是简单地根据相似度直接得到结果。

一切尘埃落定，三年的生活交上了一个答案。于是简单记了一个经验帖，总结了一下半年来的心路历程。总之，是时候在新的起点向前继续迈进了。

熟悉了LangChain与LangGraph库的一些基础，并基于两者分别调用DeepSeek API简单搭建了Agent系统。

论文提出了一种名为 A-MEM 的适用于 Agent 的主动式记忆系统，通过构建笔记、链接生成、记忆进化三个环节，来尝试解决现有 LLM 代理记忆系统结构僵化、适应性不足的问题。

最近开始上手微调模型做些小项目，所以先简单写了个lora微调DeepSeek-R1-Distill-Qwen-1.5B的脚本，熟悉熟悉一些基本的库和微调操作。记录一下~