Ting

满怀希望就会所向披靡

论文 · MMA: Multimodal Memory Agent

Ting published on 2026-07-20 included in 论文阅读

作者：Yihao Lu, Wanru Cheng, Zeyu Zhang, Hao Tang
期刊/日期：arXiv preprint, 2026-02-18
核心贡献：MMA 在 MIRIX 类 memory agent 上加入 memory-item 级置信度层，用 source reliability、temporal decay、network consensus 重加权检索证据，并提出 MMA-Bench 诊断多模态冲突下的信念动态与 abstention。

长时程多模态 agent 会检索到过时、低可信或相互矛盾的记忆；相似度高的记忆不一定可靠。作者关注的不是单纯提高检索召回，而是让 agent 在证据不足或冲突时具备 epistemic prudence：该回答时回答，该拒答时拒答。

Ting published on 2026-07-20 included in 论文阅读

作者：Ziming Wang
期刊/日期：arXiv preprint, 2026-06-04
核心贡献：TOKI 把 agent memory 的矛盾解决视为 write-time concurrency control，把 last-writer-wins、evidence-weighted、await-confirmation、per-rule policy 四类生产启发式类型化为双时间 operator，并显式声明 isolation precondition、admitted anomaly 和 audit provenance。

持久化 agent memory 是写密集系统：每次信念更新都是带 valid time、system time、provenance 和 confidence 的版本化写入。现有系统遇到矛盾事实时常用启发式策略，但不声明需要什么隔离级别，也不说明会允许哪些写时异常。

Ting published on 2026-07-20 included in 论文阅读

作者：Zhuoran Jin; Pengfei Cao; Yubo Chen; Kang Liu; Xiaojian Jiang; Jiexin Xu; Qiuxia Li; Jun Zhao
期刊/日期：arXiv:2402.14409v1，2024-02-22

RAG/RALM 通过检索外部证据来补充或纠正模型内部知识，但外部证据并不总是干净可信。

Ting published on 2026-07-20 included in 论文阅读

作者：Preston Rasmussen, Pavlo Paliychuk, Travis Beauvais, Jack Ryan, Daniel Chalef
期刊/日期：arXiv preprint, 2025-01-20
核心贡献：Zep/Graphiti 将 agent memory 构建为动态双时间知识图谱，融合 episodic raw data、semantic entities/facts 和 community summaries，在 LongMemEval 上用约 1.6k context tokens 达到更高准确率和约 90% 延迟降低。

传统 RAG 多面向静态文档，而真实 enterprise agent 需要持续吸收对话、业务数据和世界状态更新。

Ting published on 2026-07-20 included in 论文阅读

作者：Stephen H. Bach, Matthias Broecheler, Bert Huang, Lise Getoor
期刊/日期：Journal of Machine Learning Research 18 (2017) 1-67；Submitted 12/2015, Revised 12/2016, Published 10/2017
核心贡献：提出 Hinge-Loss Markov Random Fields (HL-MRFs) 和 Probabilistic Soft Logic (PSL)，用连续 [0,1] 变量、hinge/squared hinge loss 与一阶逻辑式规则统一表达结构化依赖，并用 ADMM MAP 推理和多种权重学习方法实现大规模可扩展建模。

许多机器学习问题既结构复杂又规模很大，例如社交网络、知识图谱、Web、图像和自然语言。传统结构化模型越表达丰富，推理和学习越难扩展；作者希望找到一个兼具逻辑表达能力和大规模凸推理效率的建模形式。

Ting published on 2026-07-20 included in 论文阅读

作者：Matthew Richardson, Pedro Domingos
期刊/日期：Machine Learning 62:107-136, 2006；Published online: 27 January 2006；DOI: 10.1007/s10994-006-5833-1
核心贡献：提出 Markov Logic Networks (MLNs)，通过给一阶逻辑公式附加权重，把硬逻辑知识库变成 Markov network 模板，并给出基于 query-focused grounding、MCMC、pseudo-likelihood 和 ILP 的推理与学习流程。

AI 长期希望把概率图模型处理不确定性的能力与一阶逻辑表达关系知识的能力结合起来。纯逻辑对错误和矛盾很脆弱，纯概率图模型又难以紧凑表达关系结构；作者希望用一个简单表示同时获得两者优势。