Agent 超强记忆，新王诞生！

首个 Agent 记忆统一评测榜单 AML 上线

关注 AI 赛道的朋友们都知道，传统 Agent 记忆评测存在很多水分。

在 AI 记忆领域，时常听到记忆相关的某个产品或者论文打破了原有基线，取得突破性成果。

但是仔细研究起来就会发现，其根因在于评测管线的不标准性，原有的评测维度存在一定的局限性，指标虚高，结果存在偏差隐患。

最近我有关注到，一个由全球近 30 所高校及机构联合发起的首个 Agent 记忆系统统一评测榜单 Agent Memory Leaderboard（AML，记忆之巅排行榜）横空出世。

GitHub：https://github.com/AML-memory/agent-memory-leaderboard

并在 2026 年 8 月 12 日发布了首期评测榜单，它分两个榜单，开源榜和工业榜。

据悉，赛事页面上线不到两周，官方点击量就突破了 20 万次，吸引了全球 136 个团队提交注册，最终有 67 个极具代表性的记忆框架完成了完整盲测与复核。

榜单一经上线，不到 2 天时间，在 Hugging Face Trends 总榜上就冲到了前十！

引发了国内外 AI 社区对这一首个聚焦 Agent 记忆基础设施的统一考场展开了热烈讨论。

AML 如何解决传统评测失真问题

过去的 AI 评测存在的问题是可自选模型、自选数据集、自选评判标准，我们很难分清楚究竟是记忆能力的增强，还是下游推理能力的增强，这在过去也是经常被吐槽的问题。

AML 评测榜单为了解决这一现象应运而生，它是通过强制统一 Answer（答案生成）与 Eval（评估）模型，将参评系统的权限锁定在 Add（写入）与 Search（检索）。

简单来说就是，参评系统的功能体现在获取到信息后用同一套模型和标准完成打分，让评测结果在明确的边界内真正具备可比性与公信力。

同时，AML 最令人信服的还有成绩绑定 Commit 和镜像版本，使得结果更加公开透明。

以往的榜单还存在一个问题，往往用一个总分定输赢，但其实在实际应用中，各个记忆系统各有所长。

而 AML 推出的文本 7 维能力图谱与代码 2 维赛道，能让我们更清晰化地了解到各记忆系统的长短板，而避免用一个总分掩盖差异。

由此看来，AML 回答的，不仅仅是成绩排名先后的结果，更是“不同记忆系统在哪些任务上更具有竞争力，而这个结论又凭什么成立。”

首期榜单结果：工业榜断层领先，开源榜胶着竞争

2026 年 8 月 12 日，AML 发布了首期评测榜单。如此严苛且公正的榜单测评下，在工业榜中，MemoraX 断层领跑，MemOS 稳居第二。

工业榜共收录 16 个系统，既包括成熟的开源商业化产品，也包括大型科技公司的记忆服务和垂直创业公司的闭源 API。

尤为值得注意的是，MemoraX 不仅以 58.02 分的综合得分位列榜单首位，更是拿下全部 7 个考试科目的第一名。

最近很火的 Tencent DB Memory 也上榜了，也包括 Mem0、Supermemory 这些热度很高的框架，但从分数来看，大家在各个子类上各有千秋。

不同于工业榜呈现出来的梯队差距，开源榜的竞争异常胶着。

一个名为 InvMem 的开源框架以 45.06 分拔得头筹，Refind 和 ActiveMemoryIndex 紧随其后。

虽然这三家总分不相上下，但分别代表了混合检索、迭代式搜索和双重记忆表示三种不同路线的竞争优势。

MemoraX 技术路线解析：“模型内生记忆”

据了解，MemoraX 方案是由 MemoraX AI 公司提出，MemoraX AI 是一家成立仅半年的企业，居然可以取得如此优异的成绩，他凭什么？

网上对 MemoraX AI 的技术路线有一些公开报道，我们也能大概描绘出来：他们主要围绕长期记忆构建了以“可学习记忆策略引擎、记忆基模、自演进 Agent Harness”为核心的技术体系，并将其概括为“模型内生记忆”路线，这一路线与传统外挂式记忆框架路线存在明显区别。

简单来讲，他们的记忆模型不再是传统的数据存储，从存储中调用和处理数据，不需要通过人工规则打补丁，而是能够自主学习一套读取和处理数据的方式。

能在这样竞争白热化的榜单上取得全面第一的成绩，背后是整套技术体系在召回、更新、token 开销多项约束下的综合胜出，具备很高的技术含金量。

AML 的产业价值：重塑 AI 记忆评价体系

长久以来，行业一直缺少一套标准的度量衡去评测记忆的能力水平究竟如何。

市场上的记忆系统鱼龙混杂，边界不够明显，优劣势不够突出。

过去，行业评价一个 Agent“记性好不好”，经常使用不同的数据、回答模型、Prompt 和 Judge，对着结果拿数据的现象层出不穷。

最终分数既受记忆系统影响，也受生成模型和评分口径影响。分数更高，可能是记忆做得更好，也可能只是下游推理模型更强，结果并不能真正说明什么。

而 AML 的横空出世，正在解决这一乱象；在 AML 这个赛场上，谁也无法用更强大的大模型推理能力，或者更讨巧的 Prompt 模板来掩盖记忆系统的缺陷。

AML 通过统一数据、Answer、Eval、运行合同和版本复核，减少了影响横向比较的混杂变量，使结果在当期评测条件下更具可比性和可核查性。

而我也关注到，密集且大额的资金也正在下注到 AI 记忆赛道，资本视角的转移，恰恰也说明了 AML 这个统一、公开的标尺出现的产业价值及其必要性，AI 记忆的评价体系正在被重塑。

市场上大量“突破基线、刷新 SOTA”的乱象，导致资本端也难以判断其真实水平。AML 的评测结果能为资本尽调和行业投资提供可信依据，牵引行业技术迭代方向，加速产业商业化落地。

AML 的首期发榜，不仅是行业技术排名的公示载体，更是一个规范行业标准、统一技术认知的起点，AI 记忆赛道也将从野蛮生长走向标准化的高质量发展。

比榜单结果更重要的恰恰就是 AI 记忆的高质发展，因为用户视角下最纯粹的渴求仅仅只是一个简单智能好用的 Agent。

AML 榜单链接：https://agentmemories.ai/home

JOTO 企业落地观察

• AML 的“统一 Answer/Eval 模型 + 锁定 Add/Search 权限”设计，对企业部署 RAG 知识工程构成关键启示：必须将记忆模块与下游生成解耦，否则无法独立验证知识召回质量；企业需重构知识服务架构，避免将 LLM 推理能力与记忆能力混为一谈。
• AML 强制绑定 Commit 与镜像版本，直指企业智能体工程中的可复现性痛点。企业在构建生产级 Agent 时，若未将记忆模块的版本、配置、数据快照纳入 CI/CD 流水线，将面临线上效果漂移却无法归因的风险。
• 文本 7 维能力图谱为企业选型提供了可操作的评估框架。企业不应再笼统要求“高性能记忆”，而应基于自身业务场景（如长周期客户对话、多跳技术文档检索、实时日志分析）对标具体维度，例如“跨会话一致性”或“增量更新延迟”。
• AML 工业榜中 MemoraX 对全部 7 项文本能力的全面领先，暗示“模型内生记忆”路线在复杂语义理解与动态策略生成上具备结构性优势。企业若计划构建高自主性智能体，需评估是否将记忆建模深度融入 Agent 决策循环，而非仅作为外部插件。