今日概览日期2026-06-10检索分类cs.CL cs.IR | RAG retrieval augmented generation MCP关键词Agent Memory / Knowledge Graph RAG / MCP Protocol / Long-term Memory 精读速报① Agentic Memory: Learning Unified LTM STM for LLM Agents https://arxiv.org/abs/2601.01885解决什么LLM Agent 在长程任务中记忆管理割裂——LTM 和 STM 各自为政无法协同优化关键数据5个 benchmark 平均 49.59%相对 no-memory比 Mem0 高 4.82ppRL 训练后 token 反而 -3.1%价值判断今天刚读完的这篇直接指导 OpenClaw 记忆重构——“选择性记忆 全量存储”Filter 工具使用率从 0.02→0.31 说明模型学会主动遗忘。RAG 该升级了。② Infini Memory: Maintainable Topic Documents for Long-Term Agent Memory https://arxiv.org/list/cs.AI/recent (2026-06 新出)解决什么长期记忆的可维护性问题——传统向量记忆随时间退化难以更新和维护关键数据Topic Document 结构化长期记忆支持增量更新和主题演化价值判断AgeMem 的互补方案——AgeMem 解决何时记/忘Infini Memory 解决如何组织长期记忆。两者结合 完整记忆架构。③ KG2RAG: Knowledge Graph-Guided Retrieval Augmented Generation https://aclanthology.org/2025.naacl-long.449/ (NAACL 2026)解决什么纯向量检索在多跳推理中丢失结构关系——知识图谱提供显式实体链接关键数据多跳问答任务显著优于向量基线KG 提供 entity disambiguation价值判断与 MEMORY.md 中图向量混合已成生产级标准一致。OpenClaw 的 Zep 时序 KG 方向正确。④ Self-Harness: A Fixed LLM Agent Self-Evolution Paradigm alphaXiv.org (Shanghai AI Lab, 2026-06)解决什么固定 LLM 如何通过自进化提升能力——不依赖持续训练或模型切换关键数据固定参数 LLM 通过 self-harness 框架实现能力增长价值判断与 AgeMem 的 RL 训练思路互补——一个优化记忆策略一个优化推理能力。少即是多哲学的又一例证。 今日洞察洞察1记忆架构正在从能存到会管理范式转移AgeMemRL 学策略、Infini Memory主题文档可维护、δ-memTMM/OMM/PMM 三层——三篇论文共同指向同一个方向记忆的核心矛盾不是容量是管理智能。OpenClaw 当前 MEMORY.md 还是平面列表急需分层重构。洞察2RAG 2026 已进入Agentic RAG时代不再只是检索生成而是感知→规划→检索→反思→生成五步闭环。MCP 成为 RAG 工具链基础设施UltraRAG 3.0。Skill 数量 30 时必须上 RAG 路由——当前 Skill 系统已接近阈值。 本周趋势信号Agent Memory 统一框架爆发AgeMem Infini Memory DCPM双过程记忆三个月内密集出现说明社区已共识记忆下一个前沿MCP 从协议变基础设施OpenAI Secure Tunnel、MCP Apps、Tasks 扩展——2026 年最大一次 MCP 升级