MIRIX-2.0:多智能体记忆系统实现基准领先的准确性
一篇新的AI研究论文,MIRIX-2.0:多智能体记忆系统,于2026-11-17发布,介绍了一种先进的大型语言模型(LLM)智能体记忆系统。该系统由Wei-Chieh Huang、Weizhi Zhang、Jiayan Nan、Peng Xia和Yu Wang开发,在多个基准上展示了准确性和效率的显著提升,无需进行微调。开源实现已在GitHub上提供。
LLM智能体长期记忆的突破
MIRIX-2.0解决了LLM智能体长期记忆中的关键挑战,包括个性化、一致性和信息的高效重复使用。传统的参数化记忆系统往往需要训练,并在整合过程中存在丢失细节的风险,而维护每条记录可能导致搜索过程中的低效率。MIRIX-2.0通过一个多智能体记忆架构克服了这些局限,该架构集成了六个专业记忆组件:核心、情节、语义、程序性、资源和知识库。
基准领先的性能
该系统在五项质量保证基准中的四项上取得了领先的成绩。主要亮点包括:
- 在LoCoMo基准上取得了91.4%的准确性,超过最强基线14.3个百分点。
- 在LongMemEval-S上达到72.6%的准确性,同样领先14.3点。
- 在文档质量保证任务上,相较于HyperMem取得了显著的增长,单跳和多跳质量保证在AutoDream关闭时分别提升了31.0点和22.0点。
在程序性记忆任务中,MIRIX-2.0在比较的系统中实现了最高的平均成功率。在MetaClaw-Bench上记录了49.2%的成功率,超越了MetaClaw的技能库,该库得分为44.0%。
技术创新
该系统采用了来源超图,通过n元框架对情节和语义记录进行索引,以确保在明确的资源预算下高效检索。此设计防止了证据基础在历史中不受控制地增长。此外,AutoDream功能在写操作之外整合重复锚点,并将任务会话提炼为可重用的技能,提高了速度和效率。
MIRIX-2.0与闭源和开源模型无缝兼容,无需微调,并支持文本、图像、语音和屏幕捕获等多模态输入。其基于PostgreSQL的BM25全文搜索和可选的Neo4j图形记忆进一步增强了其高级搜索功能。
开源可用性
MIRIX-2.0系统作为开源项目可在GitHub上获取,允许开发者探索其功能并将其集成到自己的应用程序中。隐私优先的设计确保所有长期数据保存在本地,用户可以控制隐私设置。
这一记忆系统在LLM智能体中的突破有潜力重新定义AI模型处理长期记忆、个性化和程序性任务的方式,为更智能、更高效的AI应用铺平道路。