【免费下载链接】PaperGuru-BenchmarkLifecycle-Aware Memory for long-horizon LLM agents — 66.05% on PaperBench, 94.66% on SurveyBench, 10 peer-reviewed acceptances at FSE/ICML/TOSEM/AEI/ICoGB项目地址https://gitcode.com/gh_mirrors/pa/PaperGuru-Benchmark点击查看免费下载长程 LLM 智能体为什么总是健忘开源项目PaperGuru给出了系统性答案它是首个面向长程 LLM 智能体的**生命周期感知记忆Lifecycle-Aware MemoryLAM**基准与实现核心机制是资本块记忆Capital Chunk MemoryCCM在两大严苛基准上同时刷新纪录——PaperBench 复现分 66.05%、SurveyBench 内容分 94.66%并获得 5 个顶会/顶刊共 10 篇同行评审录用。本文将从健忘的根源讲起完整解读 LAM 的四条公理、CCM 架构、四阶段流水线以及可复现的基准成绩。一、长程 LLM 智能体为什么健忘天花板不在推理在记忆 过去 18 个月LLM 的上下文窗口从 4K 一路扩到 1M token。很多人以为窗口够大就不会忘了但长程智能体的真实工作方式是一次跨数天、涉及数百个文件的软件工程会话从十年跨度的引文图谱出发撰写 20 万 token 的文献综述把一篇论文 PDF转换成可运行的代码树PaperBench 任务。在 PaperBench、SurveyBench、SWE-bench-Live 等公开评估中系统的上限早已不是底座模型的推理能力而是系统在轮次之间记住了什么、又能从工作集之外检索到什么。换句话说模型再聪明记忆原语不行长任务照样翻车。上图为官方对比示意同一个研究者、同一个任务差别只在底层的记忆原语——左边的智能体在文档山里迷失右边的智能体在结构化记忆辅助下高效产出。二、生命周期感知记忆 LAM长期记忆必须满足的 4 条公理 PaperGuru 把健忘问题形式化为LAM 四条公理完整定义见论文 §3。每一条都对应一类常见翻车场景#公理通俗理解1版本化内容一个曾经正确的陈述在论文修订、API 弃用、研究撤稿后必须变成过时状态——记忆层必须知道2结构化多跳相关性真正相关的证据往往在两个引用之外而不是一次余弦相似度查询之内3档案无限增长下的有界查询成本文献库每天都在增长路由成本不能跟着一起涨4可溯源的合成智能体输出的每一条主张都必须能反向追溯到记忆中可验证的具体证据现有方案各自只解决其中一两条MemGPT 式分层只处理容量Ebbinghaus 式遗忘只处理时效知识图谱包装只处理相关性。PaperGuru 主张四条公理必须被同一机制联合满足而这个机制就是 CCM。三、CCM 资本块记忆架构PaperGuru 的记忆核心 CCM 的设计思路可以浓缩为三句话把记忆拆成两层Chunk Heads块头是紧凑、有界的路由面每个 artifact 一个 headChunk Contents块内容是无界原始文本按需懒加载。路由只看头正文用到才拉取——这就是公理 3有界查询成本的来源。中央资本块Capital Chunk索引所有 head在一张时序 artifact 图上做资本优先路由。这张图统一了两类边结构边cites、benchmarked-on、introduced-by、implements历史因果边discussed-in、deprecated-by、retracted-by、superseded-by历史因果边正是版本化的载体论文被修订、结论被推翻记忆层能感知过时公理 1并能沿引用链做多跳检索公理 2。查询时走先路由 → 再扩展 → 后蒸馏三阶段最终产出紧凑、可溯源的证据卡片Evidence Cards——这是整个系统后续所有阶段唯一操作的数据结构天然满足公理 4。四、PaperGuru 四阶段流水线Search → Extract → Reason → Verify ⚙️CCM 之上的执行流水线分四步各阶段的输入输出与典型计算占比如下阶段输入输出计算占比*01 · SEARCH主题查询 候选文献库排序后的 artifact heads~15%02 · EXTRACTHeads 块内容证据卡片文本 溯源~20%03 · REASON证据卡片草稿段落Compose → Critique → Mutate 循环~45%04 · VERIFY草稿段落引用过、溯源过的最终输出~20%* 典型 20 万 token 综述任务的 wall-clock 占比不同任务略有浮动。值得新手注意的是REASON 阶段的内部循环Compose起草→ Critique对照证据卡片挑毛病→ Mutate定向改写。这正是记忆驱动推理的具体形态——推理不是凭空发生而是被证据卡片约束、被逐条核验。五、成绩单说话两大基准双双 SOTA 5.1 PaperBench论文转代码复现66.05% 碾压人类专家线PaperBenchOpenAI, 2025是论文复现的标杆基准每份提交是一棵可运行代码树由评判模型按人工撰写的评分细则打分官方人类专家基线为41%48 小时 ML 博士预算。核心数据Full 模式代码开发 复现阶段23 篇论文均分 66.05%比最强已发表基线35.74%高30.21%比人类专家线高25 分20 / 23 篇超过 41% 的人类 ML 博士门槛此前最强基线只有 4/2320 篇有公开基线的论文中19 篇实现正向超越唯一回退是pinn−4.47%原基线已用人工调参的领域先验。 为什么赢评分细则最奖励的是实现与所引基线一致超参数与论文表格吻合引用归属准确——这些恰恰需要沿引用链检索并核验正是 LAM 公理 2 和 4 的用武之地。 全部 23 个复现代码树见 PaperBench/submissions/机器可读总分在 PaperBench/aggregate-final.json逐篇对比见 PaperBench/PER_PAPER_COMPARISON.md叙述性报告见 PaperBench/REPORT.md。5.2 SurveyBench长篇综述内容分 94.66%丰富度 43.76%SurveyBenchYan et al., 2025从 Content、Outline、Richness 三个维度评估长篇综述生成。PaperGuru 使用官方claude-opus-4.7评判员五维内容质量如下维度PaperGuruAutoSurveyLLM×MR-v2SurveyForgeASurCoverage覆盖度94.00%61.00%70.00%60.00%59.00%Coherence连贯性87.40%80.00%78.00%79.00%76.00%Depth深度92.00%75.00%75.00%72.00%60.00%Focus聚焦度100.00%99.00%94.00%86.00%76.00%Fluency流畅度100.00%88.00%**80.00%**80.00%**80.00%**内容均分94.66%80.60%79.40%75.40%70.20%更有说服力的是复合丰富度Richness它统计综述里是否真正包含图、表、可执行代码块与解析过的引用是纯文件系统测量、不依赖 LLM 评判员因此差距换评判模型也稳得住。PaperGuru 取得43.76%超过最强基线2 倍以上而 5 个基线中有 2 个直接是 0 分根本没产出图表。20 篇生成的综述提供 PDF / Markdown / LaTeX 三种格式全部位于 SurveyBench/ 目录LaTeX 源码可重新编译验证。六、真实战绩10 篇同行评审录用 这套记忆原语不只在基准上刷分还直接产出了通过同行评审的论文Venue等级状态FSE 2026ACM, CCF-ADiamond5 篇录用ICML 2026CCF-ADiamond1 篇长文录用主会程TOSEMACM Trans., CCF-ADiamond2 篇录用AEIElsevier, SCI Q1Platinum1 篇 minor revision 录用ICoGB 2026土木工程Gold1 篇跨学科论文录用同一套 LAM 机制复现 CS 论文时赢 PaperBench写文献综述时赢 SurveyBench还能写出跨越软件工程、机器学习、土木工程、工程信息学的可发表手稿——变的只有 artifact 库记忆机制不变。七、仓库导读如何阅读与复现 项目为 MIT 协议仓库约 350 MB无需 git-lfs 即可浏览PaperGuru-Benchmark/ ├── paper/PaperGuru-CCM.pdf ← 完整论文LAM 形式化与全部实验 ├── PaperBench/ ← 23 个复现代码树 分数 │ ├── aggregate-final.json ← 机器可读全部分数 │ ├── PER_PAPER_COMPARISON.md ← 逐篇 vs 已发表基线 │ └── submissions/ ← 每篇论文一个可运行代码树 ├── SurveyBench/ ← 20 篇综述pdf / markdown / latex └── assets/figures/ ├── data.json ← 所有图表的原始数字 └── build_figures.py ← 用 matplotlib 重建全部数据图给新手的阅读路线建议先看结论README.zh-CN.md 的 TL;DR 表格 本文配图再看机制完整论文 paper/PaperGuru-CCM.pdf§3 LAM 公理 → §4 CCM 架构 → §5 实验验证数据所有图表数字都在 assets/figures/data.json运行 assets/figures/build_figures.py 可重建全部数据图抽查提交挑一个 PaperBench/submissions/ 下的代码树对照 PaperBench/REPORT.md 中的评分模式理解引用锚定为何得分。总结PaperGuru 的核心洞察是——长程 LLM 智能体的健忘不是上下文窗口不够大而是缺一个带生命周期语义的记忆原语。LAM 四条公理定义了合格记忆的完整标准CCM 用块头/块内容分层 时序 artifact 图 证据卡片这一套机制同时满足它们最终在 PaperBench66.05%与 SurveyBench94.66%上给出了可复现的证据。对于想构建长程智能体的工程师来说这套设计是当下最值得参考的记忆架构样板。赞分享【免费下载链接】PaperGuru-BenchmarkLifecycle-Aware Memory for long-horizon LLM agents — 66.05% on PaperBench, 94.66% on SurveyBench, 10 peer-reviewed acceptances at FSE/ICML/TOSEM/AEI/ICoGB项目地址https://gitcode.com/gh_mirrors/pa/PaperGuru-Benchmark点击查看免费下载相关推荐MemoryBear为 AI 构建感知—提炼—关联—遗忘全生命周期的记忆系统MemoryBear为 AI 构建感知—提炼—关联—遗忘全生命周期的记忆系统 MemoryBear 是红熊 AI 开源的新一代 AI 记忆系统以生物大脑的认OpenViking ZCode 记忆插件为 ZCode 接入长期记忆生命周期的薄适配层实战指南OpenViking ZCode 记忆插件为 ZCode 接入长期记忆生命周期的薄适配层实战指南 本篇技术指南围绕 OpenViking 为 ZCode基于人工智能AI AgentAgent 记忆RAG后端数据库彻底解决AI健忘症AgentScope内存系统从短期记忆到长期记忆全攻略彻底解决AI健忘症AgentScope内存系统从短期记忆到长期记忆全攻略 你是否遇到过AI助手聊着聊着就忘记上下文执行复杂任务时反复犯错 AgentSco人工智能大模型AI Agent多智能体Agent 框架Agent 编排工具调用RAGMCP 服务语音创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考