9,000+

每次查询令牌数 使用xMemory前

~4,700

每次查询令牌数 使用xMemory后

~50%令牌缩减 + 更高准确性

唯一既能省钱又能让AI更智能的记忆系统

问题：为什么标准RAG对AI Agent失效

标准RAG是为内容高度多样的大型文档数据库设计的。AI Agent面对的情况要困难得多：一个 持续、相关的对话流 ，其中片段彼此高度近似重复。

柑橘类水果问题： 用户说过“我喜欢橙子”“我喜欢橘子”，还单独讨论过什么算柑橘类水果。标准RAG将所有语义相近的内容视为同类——检索到10份“柑橘偏好”副本，却遗漏了回答查询所需的实际类别信息。Agent因已有语境而信息匮乏。

为什么现有方案更糟糕

工程团队通常会采用检索后剪枝或压缩——在检索后过滤噪声。听起来合理，但这在AI Agent上失败，因为人类对话是 “时间纠缠” 的：

• 共指："it"和"that"指向先前语境

• 省略：缺失的词语仅凭前一句才具意义

• 时间线依赖：只有按顺序才有意义的事实

剪枝工具会意外删除关键的对话片段。AI失去线索，回答变得不连贯。你为那些令牌付了费却一无所获。

xMemory：四级记忆层次结构

伦敦国王学院和图灵研究所的研究人员构建了xMemory——一个将对话组织成可搜索语义层次结构的框架，而不是将所有内容倾倒入上下文中。

4

主题层级

高级主题与分类——搜索从这里开始

3

语义层级

提炼的可复用事实——核心知识，无重复

2

片段层级

连续的对话摘要块

1

原始消息

原始对话流

核心创新：不确定性门控

💡 语义相似性是候选生成信号。 不确定性是决策信号。

——林贵，合著者，伦敦国王学院

传统系统仅基于 相似性 进行检索。xMemory 增加了第二道关卡： 不确定性 。在找到候选后，它会问：“加入这个真的能降低我对答案的不确定性吗？”如果不能，就停止。这就是 xMemory 以更少 token 实现更高准确率的原因。

相似性 告诉你附近有什么。 不确定性 告诉你提示预算中什么真正值得付费。

xMemory 与其他方案对比

系统 结构 冗余 准确率 成本 平面RAG（MemGPT） 原始日志 高 下降 高 结构化RAG（A-MEM） 层级/图 中 适度 中 xMemory ⭐ 4层 + 不确定性门控 低 改善 -50%

这对编程代理意味着什么

对于运行多会话工作流程的AI编程代理，xMemory可直接应用：

✅ 代理可在数小时或数天的工作中保持连贯的项目记忆，而不会撑爆上下文

✅ 无需重新注入完整历史记录，即可检索早期会话中的相关代码决策

✅ 每次查询使用更少Token = 降低API费用 + 更快的响应

✅ 准确度更高，因为不相关的对话被结构性排除，而非简单修剪

停止为你不需要的Token付费。

AI记忆的未来不在于更大的上下文窗口——而在于更智能的检索。xMemory证明你可以两者兼得：更低的成本和更好的答案。

研究： xMemory (arXiv:2602.02007) — 伦敦国王学院 & 艾伦·图灵研究所 | 来源： VentureBeat 标签：#xMemory #AIResearch #TokenOptimization #CodingAgent #RAG #LLMMemory #FinOps #AI