Jev-Mem：受 System One/Two 認知啟發的 Agent 記憶系統
為何重要
將昂貴的 LLM 最佳化路徑從記憶運算的關鍵步驟中移除，改由更輕量的系統負責，為開發具備長記憶的 Agent 帶來了兼具效率與效果的工程參考，這種解耦思維有望影響未來 Agent 框架的設計標準。
針對長期神經網路 Agent 在記憶管理上的效率瓶頸，研究人員提出 Jev-Mem 架構，藉由模擬認知的 System-One（快速決策）與 System-Two（深思推理）分工來解決問題。
- System-One 控制平面負責記憶分類、組織、查詢路由、檢索預算分配及圖遍歷，全為輕量級操作；System-Two 則僅在複雜推理時介入。
- 釋出於 Hugging Face Daily Papers 的 LoCoMo 基準測試中，該模型達到 0.777 的 LLM-as-a-Judge 分數，較最佳基線提升 11.0%。
- 記憶建構時間縮短至 158 秒，是競爭對手最快系統的 6.6 倍；查詢延遲亦由平均 0.93 秒降低 36.7%。