标题：Oracle Agent Memory 作为面向长周期 AI 代理的企业级记忆基板
摘要： 代理记忆是长周期代理面临的一个系统性问题。实际部署需要在扩展对话中保留任务状态、跨会话恢复用户特定的事实与偏好，并从先前结果中积累程序性知识。这些需求超越了文档检索的范畴：记忆层必须决定哪些交互会转化为持久状态、该状态的作用范围如何界定、如何在延迟约束下进行检索，以及如何随时间进行修订或移除。本报告将 Oracle Agent Memory 研究为一种基于 Oracle 数据库的、数据库原生的记忆基板。讨论围绕三个主题展开：记忆作为一个生命周期，涵盖摄入、提取、整合、检索、总结以及修订或移除；一种分层架构，将主动记忆核心与被动记忆存储接口分离，并具备跨用户、代理和线程的显式作用域控制；以及评估方法，其中下游任务准确率辅以以记忆为中心的度量指标，如证据检索、召回率、延迟和预估 Token 使用量。报告总结了 LongMemEval 的结果，达到了 93.8% 的准确率，将 Oracle Agent Memory 与扁平历史基线进行了比较（使用的 Token 数减少约 10.7 倍），并与已发表或报告的外部基线进行了对比，最后以面向实现的附录材料收尾，涵盖设置、线程生命周期和搜索语义。