SimpleMem：Dreaming 產生多少記憶不是重點，找不找得到才是
SimpleMem 把長期記憶拆成語意結構化、線上語意整合、依意圖擷取三階段。ICML 2026 論文報告在 LoCoMo benchmark 平均 F1 改善 26.4%，並有推論 token 降低的結果；值得借鏡的是『記憶品質 × 召回成本』的衡量方式。
研究重點
研究發現：SimpleMem 提議三段式記憶管線。首先將對話整理為可索引的多視角單元；其次在同一 session 內整合相近資訊；最後根據當下問題意圖決定該查哪些記憶，不必把所有歷史塞回 context。
Crew 應用：Crew Pocket / Crew Deck 可以把『Role 規則』『專案決策』『最近工作證據』分層索引；Crew Teacher 應區分經使用者確認的偏好和模型推測。真正需要的指標是召回正確率、錯誤覆寫率、平均 token、回覆延遲。
研究限制：論文的數值是 LoCoMo 等 benchmark 的結果，其中最高 30 倍 token 減少不得直接推估到現有 Crew 系統。先做測試，不要直接重寫記憶引擎。
為什麼值得關注
Crew Pocket 的 Dreaming 已能整理記憶，但『成功寫入』不等於『下一次真的幫得上忙』；Crew Teacher 的學生記憶更需要避免學錯、學舊。SimpleMem 提供可拆解的回憶召回設計思路。
可以進一步驗證什麼？
- 建立 20 道跨 session 的記憶測試題：使用者偏好、已決定規則、專案進度、需要拒絕回想的已刪資料
- 比較全文回放、現有 Dreaming 摘要、依問題意圖分層檢索的答題正確率和 token
- 對每條關鍵記憶保留來源、最後確認時間、刪除和修正路徑，避免幻覺永久寫入
參考資料
ICML 2026 / PMLR：SimpleMem 論文 ↗2026-07 · 同儕審查研究
SimpleMem 研究程式碼 ↗ · 研究程式碼
延伸探索
相關研究
- Cost-effective on-premises multimodal RAG deployment with Kubernetes: a GroundX case study共同關注 Crew Pocket · 2026-10-12