Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability
arXiv 论文 2607.26637v1 首次系统探索 LLM Agent 的基于文件系统的记忆：Agent 通过通用文件工具读写和重组 markdown 文件目录树。论文将设置形式化为围绕一个记忆文件系统的三个角色：管理 Agent 整合和组织传入内容，搜索 Agent 用引用来源回答查询，执行 Agent 提供被提炼为技能的任务轨迹，在单一存储中统一声明性记忆和技能。研究在长对话基准和具身任务上变化记忆形状（Agent 组织的层次结构、逐字转储、块检索）、流规模、工具框架（沙盒 shell、记忆工具式函数、多样化搜索工具）以及管理和搜索 Agent 的强度。
发展脉络
- 首次出现Filesystem-Based Memory for LLM Agents: Organization, Evolution, and SustainabilityarXiv cs.CL
- 当前判断该研究填补了 LLM Agent 记忆系统研究的空白，聚焦于实际部署中常见的文件系统记忆，而非定制表示。这可能推动 Agent 框架采用更标准化的文件系统记忆设计，影响 Agent 开发工具和最佳实践。可验证的下一信号：是否有主流 Agent 框架（如 LangChain、AutoGPT）引用该论文并调整其记忆模块设计。Agent Pulse · 分析
arXiv 论文 2607.26637v1 首次系统探索 LLM Agent 的基于文件系统的记忆。部署的 LLM Agent 越来越多地将长期记忆保存在文件系统中：一个由 Agent 自己通过通用文件工具读取、写入和重组的 markdown 文件目录树。然而，研究在很大程度上忽略了这种媒介：先前的系统设计定制的记忆表示并研究其检索，留下了默认设置的两个工作假设未经测试：Agent 能否在记忆积累、冲突和过时时保持不断增长的存储有序，以及这种组织是否有回报。论文将设置形式化为围绕一个记忆文件系统的三个角色：管理 Agent 整合和组织传入内容，搜索 Agent 用引用来源回答查询，执行 Agent 提供被提炼为技能的任务轨迹，在单一存储中统一声明性记忆和技能。研究在长对话基准和具身任务上变化记忆形状（Agent 组织的层次结构、逐字转储、块检索）、流规模、工具框架（沙盒 shell、记忆工具式函数、多样化搜索工具）以及管理和搜索 Agent 的强度。
该论文将文件系统记忆形式化为三个角色（管理、搜索、执行），并统一声明性记忆和技能于单一存储，这可能改变 Agent 记忆系统的设计。其系统探索覆盖记忆形状、流规模、工具框架和 Agent 强度，可能揭示文件系统记忆的适用边界。可验证的下一信号：论文是否报告 Agent 组织的层次结构在记忆增长时优于逐字转储或块检索，以及不同工具框架对记忆组织的影响。
该研究填补了 LLM Agent 记忆系统研究的空白，聚焦于实际部署中常见的文件系统记忆，而非定制表示。这可能推动 Agent 框架采用更标准化的文件系统记忆设计，影响 Agent 开发工具和最佳实践。可验证的下一信号：是否有主流 Agent 框架（如 LangChain、AutoGPT）引用该论文并调整其记忆模块设计。
对于构建 LLM Agent 产品的公司，该研究可能降低记忆系统设计的试错成本，提供基于文件系统的实用方案。统一的声明性记忆和技能存储可能简化 Agent 架构，提升开发效率。可验证的下一信号：是否有商业 Agent 产品采用文件系统记忆并公开其性能或成本数据。
该研究可能为 Agent 记忆管理提供新范式，推动文件系统记忆的标准化和优化。未来可能出现针对文件系统记忆的专用工具和最佳实践，以及更高效的记忆组织算法。可验证的下一信号：后续研究是否在更大规模或更多任务类型上验证文件系统记忆的有效性。