Agent 记忆

· WikiSkill 将 AI 代理的任务经验编译成持久化知识库，实现技能的自我迭代进化，而非每次从零开始。支持 Claude Code、Codex、Copilot CLI 等主流代理即插即用，适合需要长期积累领域知识的自动化工作流。

· 当前多数 AI 代理的痛点是'金鱼记忆'——每次任务结束经验就丢了，下次遇到类似问题重新摸索。常见做法是用向量数据库存对话历史，但检索碎片化、难以形成结构化技能。WikiSkill 的核心差异是把经验编译成类似人类 wiki 的层级知识，支持版本追踪和依赖关系，这比单纯 RAG 更接近真正的能力积累。 这个实现目前只有 107 stars，但论文来自 Google Research，代码完整度较高。如果你已经在用 Claude Code 或 Copilot CLI 做自动化工作流，可以优先接入 Hermes Agent 后端试试技能沉淀效果，比手动维护 prompt 模板更可持续。

· 近30天累计 35 条信号，最新关注点包括：AI代理上下文压缩层，省60-95% token；Agent与UI实时同构的框架；Amazon drops Sam Altman movie after announcing OpenAI partnership。

· 信号密度已经足够支撑持续观察，适合进入专题页重点跟踪。

· Cloudflare Agent Memory 和 Mem0 的 2026 综述都指向同一个趋势：Agent 需要在会话之外保留事实、偏好、经验和任务历史，但不能把所有历史直接塞进上下文窗口。

· Agent 记忆的价值不只是“记住更多”，而是选择性召回、可控遗忘和可审计来源。对产品来说，这决定个性化、团队知识复用和跨任务连续性；对基础设施来说，则要求权限、数据生命周期和召回质量评估。

· Agent Memory 的讨论正在从纯向量召回转向实体链接、关系图谱和任务上下文结合。记忆系统要能区分事实、偏好、一次性上下文和长期组织知识。

· 值得继续追踪的不是某个 memory SDK 的 star 数，而是它是否能处理冲突事实、隐私边界、租户隔离和任务反馈闭环。真正有壁垒的记忆层会变成 Agent 平台的长期锁定点。