Jev-Mem:面向高效 AI 智能体、由系统一控制的智能体记忆——德州大学达拉斯分校

• 出处：arXiv 预印本，作者是 UT Dallas（德州大学达拉斯分校）计算机科学系的 Dongming Jiang、Yi Li 和通讯作者 Bingzhe Li；代码已在 GitHub 公开。→ 详细
• Jev 本身：论文引用的是「Jev TypeSafe AI (2026)」——TypeSafe AI 公司的商用模型，卖点是不做自回归生成（autoregressive：像 ChatGPT 那样一个 token 一个 token 往外吐字），直接产出「类型化的概率决策」：你问的是一道有固定选项的题，它还你的是数，不是一段话。论文认为正是它让「快决策 / 慢推理」的拆分在工程上变得可行。库里 ep229（Ryan Vogel 讲 Jev 怎么用：邮件分拣、约 200 毫秒一次决策）讲的就是同一个模型的产品形态，这篇可以看成把它用在 agent 记忆上的学术版（见 ep229）。→ 详细
• 调用长什么样（附录 B.1）：Jev-Mem 通过 TypeSafeClient.system_one 一次提交一个共享的 state（结构化状态）加一批 questions。布尔型的题叫 Noul——用一条指令加明确的「真 / 假」判据定义一个是非命题，返回 0 到 1 之间的值，多个 Noul 各自独立判断（一条记忆可以同时是「情景型」又是「语义型」）；互斥的多选一叫 Choice，返回选中的标签和各选项的分布。同一批里的题互不引用彼此的答案，所以每条指令都要自己写明用到了 state 里哪些字段。→ 详细
• 两层要分开看：论文自己强调，Jev 只是「为系统一控制器提供了一种具体实现」，Jev-Mem 的关键创新在于架构层面的分离：在记忆构建和检索两头，都把轻量的记忆控制与审慎推理拆开。所以读这篇要分两层——一层是这套分工思路（言下之意，系统一的位置不绑死 Jev），一层是 Jev 这个具体产品在这里跑出了什么数。→ 详细

▲ 图注：论文图 1「智能体记忆的工作流」。① 交互：用户提问、环境观测、任务目标；② 记忆更新：把观测存下、组织、更新；③ 不断演化的智能体记忆：过往经验、用户偏好、事件与时间脉络、关系与知识；④ 检索 + 推理：先按查询检索出证据，再交给 LLM 推理出回应或动作；成功的回答、用户反馈等新经验再沿虚线回流去更新记忆。

• 为什么要外挂记忆：LLM agent（智能体：能自己多步调用工具、把事办完的 AI）越来越被当成常驻系统长期运行，攒下的偏好、任务历史、环境知识很快撑爆上下文窗口（模型一次能「看见」的文字上限）；单纯加长窗口也不管用，模型并不能可靠地利用长输入里的每个位置。→ 详细
• 代价出在「谁来做决定」：记忆已从「存下对话、按相似度捞回」演进到有选择地保留、整合、分层存储、存程序性记忆（可复用的技能与工作流），再到用知识图谱按语义 / 时间 / 因果 / 实体关系检索。越丰富越难管：存什么、连什么、查什么、何时停，固定启发式规则高效但死板，通用自回归 LLM 灵活但每个决定都要重新生成 token——于是「记忆控制本身就可能成为延迟与推理开销的主要来源」。→ 详细
• 被忽视的系统问题：图 1 的循环是「检索证据 → 大模型作答 → 回写更新记忆」，两头都塞满了语义判断，记忆「越来越像一个动态子系统」。论文于是问：「应当由何种计算机制来执行这些记忆管理决策」？自适应 RAG（检索增强生成：答题前先去资料库捞材料）已把检索看成「受控的决策过程，而非固定的 top-k 操作」（top-k：只取最相似的前 k 条），但它面对的语料是固定的；agent 记忆的库由 agent 自己的交互历史写成、要不断维护重组，Jev-Mem 把同一原则推广到整个记忆生命周期，并把这层控制写成架构里显式的一层。→ 详细

• 核心洞察：论文的出发点是一句话——许多记忆控制操作「是语义性的，而非生成性的」。构建时要给一条记忆分类、推断它和已有信息的关系；检索时要路由查询、给候选打分、决定何时停。这些决定的输出都是有界的：一个标签、一个概率或一个分数，而不是一段自由文本。→ 详细
• 用大模型做这种题不划算：拿自回归 LLM 做这类高频决策「不必要地昂贵」——再简单的判断也要逐 token 生成、排版格式、再解析回程序；这些操作又反复出现在记忆的关键路径（critical path：每次读写都必须经过、直接决定快慢的那条路）上，开销会迅速累积。打个比方：让一位资深律师来给每封来信贴「急 / 不急」标签，他当然贴得对，但每贴一张都要先写一段说明再签字。→ 详细
• 同一条系统原则的更细粒度版：成本感知推理早就表明「不同请求无需获得同等的模型计算量」——级联与路由（cascading / routing）把请求按难易分给贵贱不同的模型，推测解码（speculative decoding）让小模型先起草 token、大模型只做验证。Jev-Mem 把这条原则用得更细：不只在模型之间分派整条用户请求，而是把频繁、有界的记忆控制决策从开放式生成和深思推理里剥出来，前者交给轻量的结构化预测，系统二（慢而深的推理，本文里就是大模型）只留给复杂推理与答案综合。→ 详细
• 三个待答问题与四点贡献：论文要回答——系统一该如何融入记忆的整个生命周期？能力较弱的推理器怎样控制记忆而不拖累下游准确率？什么样的记忆结构与检索流程最适合轻量控制？自报贡献四条：发现用系统一式轻量决策提升记忆效率的机会；提出把轻量控制与昂贵生成推理分开的 Jev-Mem；做出同时管构建与检索的统一系统一控制平面（多关系组织、查询路由、自适应图遍历、候选打分、停止判定）；在最先进基线里同时拿到最佳总体准确率和最高效率。→ 详细

▲ 图注：论文图 2「Jev-Mem 概览」。❶ 写入：观测 → Jev 打类型 → 候选搜索 → Jev 判关系 → 插入记忆；❷ 记忆平面：语义、时间、因果、实体四张视图，底下共享一套向量 + 关键词索引，右侧挂着整合；❸ 检索：查询 → Jev 路由 → 锚点 → 证据检查 → 扩展 → Jev 打分，再回到证据检查循环，检查通过才停下交给系统二生成答案。四个标着 Jev 的步骤用浅黄色框标出。

• 三个组件各管一摊（图 2）：系统一控制器在写入和检索全程做轻量的结构化决策；共享的记忆数据平面保存规范观测（canonical observation：原样保存的那条原始记录，一条观测只存一个正本）及其语义、时间、因果、实体四类关系；系统二只负责答案综合，以及其他需要开放式生成或更深推理的操作。→ 详细
• 记忆的数据结构：每条观测 = 内容 + 可选时间戳 + 来源（provenance）；整个记忆 = 一批规范节点 + 语义 / 时间 / 因果 / 实体四种边 + 向量索引与词法索引（lexical：按字面关键词匹配）两个入口。四张「关系视图」共享同一批节点，同一对记忆之间可以同时连好几种边。→ 详细
• 控制器接口 J(S, Q)：S 是结构化状态，Q 是一批显式的决策问题；它要么给彼此独立的命题各出一个概率（两条记忆是否语义相关、候选是否与查询相关、证据是否已经足够），要么在互斥选项里出一个分布（比如两件事的时间先后选哪种）。它刻意不同于自由形式的提示词：每个决定只暴露一个小而已知的输出空间，直接用概率表示控制，不必先生成一段自然语言推理再解析；共享同一状态的多个决定还能一次批量调用。→ 详细
• 同一套控制贯穿写与读：写路径上打类型、挑候选、建关系，读路径上路由、分预算、查证据够不够、扩展与打分，全走同一个系统一决策抽象——记忆「并非由一套启发式规则构建、再由另一套启发式规则检索」，而是用「单一的自适应记忆管理架构」取代「一系列彼此孤立的启发式规则和反复的 LLM 调用」。→ 详细

• 不在入口做不可逆的取舍：每条有效观测都建一个规范节点。当前设计选择保留观测，而不是在摄入时就做一个「基于学习且不可逆的『存储或丢弃』决策」——起初看着不重要的信息，可能要等将来某个查询才显出价值，入口丢了就永远找不回来。选择性被挪到了后面两处：建结构的时候，和检索的时候。→ 详细
• 类型是打分，不是分箱：控制器先给每条记忆预测四个可以重叠的特征分——情景型（episodic：某时某地发生的具体事）、语义型（semantic：一般性事实）、程序型（procedural：怎么做某事）、偏好型（preference：用户喜欢什么）。这些分数只是贴在节点上的标注，不把它塞进某个互斥类别；节点里存着原始观测、来源、时间戳、嵌入向量、实体和类型分。→ 详细
• 「找候选」与「判关系」分开：新观测要和越来越大的记忆建立联系，若挨个比对所有旧节点，控制器成本会跟着记忆规模一路上涨。所以先用确定性检索（不调模型、按固定公式算分）综合向量相似度、词面重叠、共享实体和时间邻近，挑出至多 K_w 个候选，系统一只评估这些候选对。→ 详细
• 能用规则就不叫模型：对每一对，Jev 估计语义相关、有方向的因果影响、是否同属一个情景，必要时再判断是不是同一实体；但只要已有可靠的结构化信息就跳过学习式推断——时间戳先后直接生成时间边，完全一致的共享标识符直接生成实体边。只有时间顺序是隐含的，控制器才在 before / after / during / contains / overlaps / same_time / unknown 七个选项里选一个。推断出的边，概率达到阈值 θ_rel 才插入。→ 详细
• 多视图而非多副本：同一对节点可以同时有语义、时间、因果、实体四种关系——既不是把每条记忆只归到一张图里，也不是把同一观测复制进几个库。写路径一句话：观测 → 打类型 → 找候选 → 建关系 → 入库。好处有两条：保留原件，避免信息过早丢失；有选择地建边，压住没必要的图连通（边太多，检索时处处是岔路），同时留下日后撑得起语义、时间、因果、实体推理的关系。→ 详细
• 定期维护不删原件，生成只是可选后果：周期性维护在一个有界邻域里检查冗余、矛盾、过时，以及值得补上的链接，只丰富结构、不删原始证据；需要更高层的文本抽象（比如把几条合成一条概括）时，控制平面才把批准过的合并或提升（promotion）显式交给系统二——「生成只是结构化控制决策的一种可选结果，而非记忆维护的默认机制」。→ 详细

• 先路由，而且可以几路并行：拿到一个查询，控制器先对四张关系视图各自预测相关度（这题需不需要语义 / 时间 / 因果 / 实体线索），同时预测「要不要多跳」（多跳：得把两三条记忆串起来才答得出）和「新近性有多重要」。这些概率各自独立评估，所以一个查询可以同时激活好几张图，而不是被硬归进某一个检索意图；相关度达到阈值 θ_act 的图才激活。→ 详细
• 按需分预算、按需定深度：给定总的图扩展预算 B，先给每张激活的图保一个最低额度 m，剩下的按预测相关度成比例分（参数 γ 控制分得有多集中）；多跳预测再决定允许走多深——越像多跳题，允许的遍历深度越接近上限 D_max，最少走 1 层。论文说这套概率路由有两重作用：不在不太可能帮上忙的关系上平均撒力气；问题确实需要时，又能同时探索多种证据。→ 详细
• 混合锚点当起点：图遍历之前，先用向量（语义）和关键词（词法）两路检索找入口，两份排名用倒数排名融合合并（RRF：每条结果在各榜单上按「1 /（60 + 名次）」记分再相加，两边都靠前的胜出，κ = 60），排名最高的节点作为出发点——在控制器开始代价更高的图推理之前，先给它一个稳健的起点。→ 详细
• 每轮都问一遍「够了吗」：每轮检索后，控制器不是盲目跑到固定深度或节点数，而是估计四个量——证据是否充分、继续检索的预期收益、是否还缺必要证据、是否有没解决的矛盾。停法有两种：证据充分（充分度达到 θ_suff，且「缺证据」和「矛盾」都低于 θ_cont）；或者继续检索的收益已低于 θ_cont——证据还不完全够，但再走下去也不太可能改善。→ 详细
• 为什么停止判定这么要紧：「停止得过早可能会遗漏必要的证据，而不加控制的扩展则会引入无关记忆，干扰下游推理」——所以 Jev-Mem 把证据完整度和继续搜索的预期收益都显式建模，而不是拍一个固定的 top-k。→ 详细

• 候选怎么打分：需要更多证据时，在各关系的预算以及节点数、边数、深度、控制器调用次数、延迟的全局上限内扩展邻居；系统一从四个互补维度评估每个候选——与查询的相关性、经由的这条关系有没有用、信息新不新、对当前证据的支持度；再和确定性信号（嵌入相似度、存储的边权重）加权合成一个转移分。有时间戳时，还按这个查询对新近性的需求给更近的记忆加分（按天衰减）。→ 详细
• 迭代回路：每轮取分数最高的 W 个候选作为下一轮的「束」（beam：每轮只保留最有希望的几条路往下走）并加入累积证据，循环是「路由 → 检索 → 评估 → 扩展 → 再评估」。它和固定 top-k 或静态图遍历根本不同：走哪几张图、力气怎么分、每轮留谁、要不要继续，全取决于查询本身和已收集的证据——「检索本身成为了一个由系统一控制的决策过程」。→ 详细
• 系统二只做最后一步：检索终止后，得分最高的 K 条记忆交给系统二 LLM 做最终综合，它不参与常规的图路由、候选扩展或停止决策——把昂贵的自回归推理「集中用在最能发挥价值之处」，同时用快速的结构化控制提升喂给它的证据质量。→ 详细
• 控制开销有明确上界：一次常规写入只要一次批量类型标注请求，有候选时再加一次覆盖至多 K_w 个记忆对的批量关系请求；一次查询要一次路由请求，每轮检索至多一次证据评估加一次批量候选打分。图扩展次数、检查的边数、访问节点数、深度、控制器调用次数和耗时各有独立上限，防止「控制过程本身无限膨胀」。→ 详细

• 考什么：实验从两头评——推理有效性（系统一控制的记忆构建与检索能不能提升长程问答）和系统效率（把快速记忆控制与系统二分开，能不能降低建记忆、查记忆的开销）。→ 详细
• 考题：LoCoMo（Maharana et al., 2024）——超长的多会话对话，考 agent 能不能找回那些需要时间推理、因果推理、跨会话推理才拿得到的信息。原文写「在两个广泛使用的基准上评估」，但只描述、只报告了 LoCoMo 一个（原文如此）。→ 详细
• 五个基线（baseline：拿来对比的参照系统，适用时都用同一个作答模型）：Full Context（不用外部记忆，把完整对话历史直接塞给 LLM）；A-MEM（按 agent 的经验动态组织、演化记忆）；Nemori（情景分段 + 基于图的检索）；MemoryOS（层级化的多级架构管持久记忆）；MAGMA（用语义、时间、因果、实体多种关系表示记忆做结构化检索，四种关系和 Jev-Mem 的记忆平面是同一套）。→ 详细
• 指标：准确性用 LLM 裁判评分（LLM-as-a-Judge：让另一个大模型对照参考答案判生成的答案对不对）；效率看两项——记忆构建总时间（把整段对话历史建成持久记忆的端到端耗时）和平均单次查询延迟（每个问题检索证据并作答的平均耗时）。表 1 注明「所用 LLM 基于 gpt-4o-mini」，即 Jev-Mem 里负责作答的系统二。→ 详细

表 1（LoCoMo，LLM 裁判评分，越高越好，作答模型基于 gpt-4o-mini；粗体照原表）：

• 总分与分项：Jev-Mem 总分 0.777，最强基线 MAGMA 0.700，相对提升 11.0%；按表，它在多跳（0.623 对 Nemori 0.569）、开放域（0.618 对 MAGMA 0.517）、单跳（0.802 对 MAGMA 0.776）、对抗四个分项和总体上都是第一。→ 详细
• 差距最大在对抗类：0.962 对最强基线 MAGMA 的 0.742，其余几家都在 0.62 以下。论文的解释是，提升最大的正是那些要综合多条记忆的证据、或要把相关信息和「看似合理却具有误导性的干扰项」区分开的题。→ 详细
• 唯一没拿第一的是时间类：表里 MAGMA 0.650 最高，Jev-Mem 是 0.637（Nemori 的 0.649 也略高于它）。第 4.2 节正文却写成「与最佳的时间类得分 0.650 持平」，几个分项数字也和表对不上，集中放在第十五节「读这篇论文要记住的几条前提」交代，数字以表为准。→ 详细
• 长上下文替代不了记忆：把完整对话直接塞给模型的 Full Context 总分只有 0.481、对抗类只有 0.205，都是全表最低。→ 详细
• 论文的归因：提升来自自适应记忆控制——估计哪些关系视图对当前查询有用、据此分配检索力度、遍历时评估候选、判断证据何时够了；检索按每个查询的需要调整，不走固定搜索策略，推理模型拿到的是「更相关、更聚焦的证据集」，所以它不是只擅长某一种推理模式。→ 详细

表 2（记忆构建总时间与平均查询延迟，单位秒；粗体照原表）：

• 构建：Jev-Mem 建完整个记忆只要 158 秒，最快的对比记忆系统 Nemori 要 1,044 秒——缩短 84.9%，即 6.6 倍加速；A-MEM（3,636 秒）和 MemoryOS（3,276 秒）都在 3,000 秒以上。→ 详细
• 查询：平均每题 0.93 秒，比最快的记忆型基线 MAGMA（1.47 秒）低 36.7%，比直接处理完整上下文（1.74 秒）低 46.6%；MemoryOS 每题要 32.68 秒，论文拿它说明「当复杂处理仍留在检索路径上时」，记忆管理会带来多大的运行时开销。→ 详细
• 快在哪：构建时，轻量的类型化决策在有界的候选集上批量跑，而不是反复叫通用 LLM 做自由形式的记忆处理；检索时，路由、候选评估、证据核查交给系统一，图探索受显式预算约束，证据够了就自适应停下，不做多余遍历。→ 详细
• 不以准确率换速度：论文强调「效率的提升并未以牺牲推理质量为代价」——同一组实验里准确率也最高；结论据此称，把记忆控制与生成式推理分开，是构建更有效、更高效长程 agent 的「一个有前景的方向」。→ 详细

• 别人改的是「存什么、怎么组织、怎么查」：从 Generative Agents、Reflexion、MemoryBank、MemGPT，到存可复用行为的 Voyager、ExpeL、Agent Workflow Memory，再到 A-MEM、Mem0、MemoryOS、Nemori、MAGMA、HAGE 这些结构化、会演化的记忆；GraphRAG、HippoRAG 等检索系统结构相近，但只在给定语料上检索，不维护 agent 自己不断累积的经验。→ 详细
• Jev-Mem 占的是哪一格：自适应检索（IRCoT、FLARE、Self-RAG、Adaptive-RAG）只在单次生成里决定查不查、查多少，且不改语料；SimpleMem、LightMem、Zero-Mem 在压记忆流水线的成本（Zero-Mem 把 LLM 生成从中间记忆操作里整个拿掉）；模型级联与路由器决定「哪个模型来答」。Jev-Mem 针对的是剩下那一格——记忆生命周期内部的细粒度决策「应当以何种方式执行」。→ 详细
• 系统一 / 系统二只是类比：术语来自人类推理的双过程理论（Evans, 2008），论文明说「仅把这一区分用作计算分配方式的类比，并不主张二者的底层机制彼此对应」；System 2 Attention、Tree of Thoughts、Graph of Thoughts 是在单次推理内部加「慢思考」，Jev-Mem 则把这种区分放到架构层、用在记忆子系统本身。→ 详细

• 贯穿示例（虚构）：两条记忆——m1（2024 年 5 月 14 日 10:00）「Mira：我的旧自行车坏了」，m2（5 月 16 日 10:00）「Mira：我昨天买了一辆新自行车，因为旧的那辆坏了」，都带实体 Mira、bicycle；查询是「Mira 是什么时候买的新自行车？为什么？」。时间戳记的是这句话被观测到的时间，不一定是事件发生的时间。论文声明示例记忆是虚构的，只演示请求结构，不把任何分数当作实测的 Jev 预测。→ 详细
• 写入不设门槛：当前配置关闭了准入过滤（admission_enabled=false），每条有效的非空观测都进写路径，类型分不决定留不留。类型标注一次批量问四个 Noul——episodic、semantic、procedural、preference，附录给出了其中两个的原文判据（下两条）。→ 详细
• episodic（情景）：这条观测是否描述了某位参与者的一次特定经历或事件？真＝具体的过去、当前或计划中的事件，哪怕没说确切时间；假＝只是一般事实、流程或偏好。→ 详细
• preference（偏好）：是否表达了某位参与者的偏好、反感或习惯性选择？真＝能归到具体某人的喜欢、讨厌、偏爱选项或习惯；假＝只是一次孤立的行为、没说是谁的偏好，或压根没有偏好证据。→ 详细
• 候选与关系请求：打完类型，由确定性的向量、关键词、实体、时间戳信号选出至多 10 条已有记忆当候选；关系请求把语义关联和两个方向的因果放进一批判断，只有精确的实体标识符对不上时，才加一道实体别名消解（判断两种写法是不是同一个人或物）。→ 详细
• semantic（语义关系）：在新记忆和候选之间连一条语义边，是否有助于检索它们共有的某个具体话题或事实？真＝有具体的共同话题、事实或事件，这条连接有用；假＝只有泛泛的对话用语，或没有有意义的联系。→ 详细
• caused_by（有向因果）：候选里的事件是否导致、促成或解释了新记忆里的事件？真＝给出的记述支持这个方向的因果影响；假＝只有相似、时间先后、共同实体，或因果证据不足。causes 检验反方向；判据刻意把「真有因果」和「话题相同 / 只是先后发生」分开。→ 详细
• 建边门槛 0.60：关系分数 ≥ 0.60 就建对应类型的边；精确的实体交集直接确定性连边——示例里两条记忆共享 Mira、bicycle，所以不必再调别名消解。→ 详细
• 每 20 次成功写入整合一次：四个 Noul 分别判冗余、矛盾、过时、链接有没有用，再由一个 Choice 选表示形式；这是插入之后单独做的决定，不是准入过滤。→ 详细
• representation（Choice，四选一）：这两条观测的关系最适合哪种表示？keep_separate（分开存）＝记述矛盾、合并会丢独特细节，或是不同事实且没有证据支撑的一般模式；merge（合并）＝同一事实或事件的相容记述，合并不丢细节；promote（提升为一般规律）＝多次不同的重复情景明确支撑一个稳定模式、适合做语义抽象，重复事件优先选它而不是合并；uncertain（拿不准）＝证据不足，没法稳妥地选合并还是分开。指令还特意叮嘱「依据所提供的记述作出判断，不要预设其他问题的答案」。→ 详细
• 整合不替换原件，改写要过双门槛：常规的周期整合只记录决定和链接，不会自动替换源记忆；只有 merge 或 promote 以 ≥ 0.85 的概率被选中、且矛盾分低于 0.85 时，调用方提供的系统二摘要器才能生成一条新的表示——卡门槛的是被选项自己的概率，不是另算的置信度汇总。→ 详细

• 路由请求只看查询本身：一次问六个 Noul——语义、时间、因果、实体四种需求，加上 multi_hop_need（要不要多跳）和 recency_importance（新近性有多重要）；一个查询可以同时激活几种图。→ 详细
• temporal（时间路由）：回答这个查询是否需要事件的日期、持续时长、先后顺序或随时间的变化？真＝要靠某种时间关系才能答对；假＝日期或先后对答案只是附带信息。→ 详细
• causal（因果路由）：回答是否需要解释某个原因、动机、促成条件或结果？真＝需要因果或解释性证据；假＝只问事实关联或时间先后。→ 详细
• 预算怎么落地：当前配置的图扩展总预算是 80；需求分为正且 ≥ 0.10 的图保底 1 个额度，剩下的按需求分成比例分、用最大余数法取整，概率指数取 1.0（按需求分直接成比例，不额外放大或压平）；图扩展前先由向量和关键词检索给出锚点，而且预算并不意味着每条边都要向服务方发一次请求。→ 详细
• 遍历请求把方向写明：包含查询、当前已选证据和拟议候选，每个候选附上记忆字段、图类型、关系属性和源 / 目标标识。示意：证据里有 m1，候选 m2 经一条 m1→m2 的因果边到达——论文说明这只是示意状态，不代表这个小例子实际运行时一定要扩展。→ 详细
• relevance（候选相关性）：候选内容是否包含回答查询所需的事实？真＝能直接支撑答案的证据，或必要的中间事实；假＝只是话题重叠，或内容无关。→ 详细
• new_information（新增证据）：候选是否补上了现有证据里缺的、与答案相关的细节？真＝一个不同于已有证据的相关细节，或一个缺失的推理环节；假＝只是重复证据，或无关的新细节。→ 详细
• 另两个 Noul 与综合分：relation_usefulness（经由的这条关系有没有用）和 supports_current_evidence（是否支持当前证据）；这四个分数按第七节的方式与余弦相似度、图需求分、边概率合成综合分，按它排序，束宽 10——光是相关分高，并不能无条件进入检索证据。→ 详细

• 停止请求：包含查询、当前选中的 top-k 证据和检索深度，评估 evidence_sufficient、continue_useful、missing_evidence、contradiction 四项，刻意把「对答案的支撑」和「再查一轮的预期效用」分开问。→ 详细
• evidence_sufficient（证据充分）：证据是否为答案里每一个事实性部分都提供了支撑？真＝不用编造缺失事实，就能凭这些记忆给出有依据的答案；假＝任何一项必需的事实或推理环节没有支撑——「仅有相关话题并不充分」。→ 详细
• continue_useful（还值得再查吗）：再查一轮是否有可能填补某个具体缺口，或化解某个冲突？真＝存在可识别的缺失事实或冲突，能从更多检索中获益；假＝已没有可识别的检索需求，或更多记忆不太可能帮上忙。→ 详细
• 时间类查询多带两个字段：证据和候选对象还带 timestamp_role 与 temporal_references，把时间戳标明为「观测时间」，并附上锚定过的时间表达及其精度——判断充分性时用的时间锚定，和交给作答方的保持一致，不把每个对话日期都当成事件日期。→ 详细
• 阈值与上限：证据停止要求 evidence_sufficient ≥ 0.95，且 missing_evidence 与 contradiction 都 < 0.15；continue_useful < 0.15 时也可以停。另有五道各自独立的上限——深度 8、访问节点 60、检查边 2400、Jev 尝试 16 次、检索时限 15 秒，证据不完整时它们也可能把检索叫停；时限只在操作与操作之间检查，对本地计算不保证到点立刻打断。→ 详细
• Jev 不写答案：Jev 只控制证据选择，不生成最终的自由形式答案，选出的记忆交给独立的系统二语言模型；所以附录里这些提示词都是记忆控制决策，不是作答或评估用的提示词，而且 Jev 看到的状态里不含标准答案和基准的证据标注。→ 详细
• 整套参数一张小抄：写入候选至多 10 条、建边门槛 0.60、每 20 次成功写入整合一次、整合改写门槛 0.85；图扩展总预算 80、保底门槛 0.10、束宽 10；停止 0.95 / 0.15 / 0.15；上限 8 / 60 / 2400 / 16 次 / 15 秒。→ 详细

• 只有一个基准：第 4.1 节写「在两个广泛使用的基准上评估」，但全文只描述、只报告了 LoCoMo 一个（原文如此）。所以「准确率最高、效率最高」目前都是这一个长对话记忆基准上的结论。→ 详细
• 正文与表 1 的分项数字对不上：多跳正文写 0.625、表里 0.623；开放域正文 0.610、表里 0.618；单跳正文 0.797、表里 0.802。正文还说「在六个类别中的五个上表现最佳，并在时间推理上与最佳结果持平」——表 1 是 5 个分项加 1 个总体，把总体算进去，Jev-Mem 确实是 6 列里 5 列第一；但时间类它是 0.637，0.650 属于 MAGMA（Nemori 的 0.649 也比它高），谈不上持平。原文如此，本总结的数字一律以表为准。→ 详细
• 几处编校小问题：公式编号在 (17) 之后直接跳到 (21)；MemoryOS 的引用在基线列表里写作 Kang et al., 2025b，在相关工作里写作 2025a（原文如此）。→ 详细
• 论文没有说明的事：Jev 以「Jev TypeSafe AI (2026)」的形式被引用，论文没有说明作者与 TypeSafe AI 是什么关系，也没有资助说明；全文也没有单独的局限性讨论。→ 详细
• 分数不是校准过的概率，附录示例是虚构的：附录明说 Jev 返回的数值「并不假定」是校准过的概率——0.95、0.60 这些门槛是划在模型自报的分数上，不能直接读成「95% 的把握」；附录里的 Mira 自行车记忆是虚构的，只演示请求结构，不是实测预测。→ 详细
• 效率数字只有两项总耗时：表 2 报的是记忆构建总时间和平均查询延迟，没有单独报 Jev 调用本身的耗时占比或费用，也没有交代计时所用的硬件与网络环境；作答模型 gpt-4o-mini 之外，LLM 裁判用的是哪个模型也没有单独写明。→ 详细