Dynamics-memory:给 LLM Agent 装一层有界、可自纠错的长期记忆
结论是该项目试图解决 Agent 长期记忆中「日志越堆越多、矛盾越积越深」的问题。原始信息显示,它把连续且可能含矛盾的项目交互日志蒸馏成一个有界、可自更新的记忆库,机制包括候选池、价值动态、张力裁决以及因果回放评估,定位是 LLM Agent 的有界自纠错长期记忆层,代码涉及 Python 与 TypeScript,标签覆盖 RAG、Agent 记忆与检索增强生成。值得关注的是,多数记忆方案只做追加和检索,而它显式处理记忆之间的冲突并限制总量,这对长周期项目的 Agent 稳定性更关键。受影响的主要是构建编码 Agent、个人助理和长任务自动化系统的开发者。下一步建议阅读仓库中的评估部分,用因果回放复现其指标,再接入自己的 Agent 观察记忆膨胀与冲突处理的实际表现。