Agent Memory Leaderboard
来自 AML 团队

AML 官方博客

来自 Agent Memory Leaderboard 团队的研究、技术实践与最新动态。

一起探索智能体记忆。
← 返回全部文章

AML 官方系列解读(二)|代码记忆榜:工业与开源方法表现如何?

研究进展6 分钟阅读

记忆之巅排行榜


相比文本记忆,Coding Memory 要回答的问题更加直接:过去开发过程中积累的经验,能不能真正帮助 Agent 完成后续的软件工程任务。

Agent Memory Leaderboard(AML)首期 Coding Memory 基于 12 个真实代码仓库构建,共整理了 1,290 个带标注的历史工程任务,并设置 150 个待解决任务,其中包括 51 个 New Feature 和 99 个 Bug Fix。

Memory 系统负责从历史任务中写入、检索相关信息,再交给统一的 Coding Agent 完成当前任务。

从首期结果来看,工业榜和开源榜呈现出了两种截然不同的状态:工业榜已经出现明显的头部差距,而开源方法的成绩依然高度集中。




工业榜:

第一名领先第二梯队 10 个百分点




工业榜中,MemoraX 以 62.00% 的 Task Solve 排名第一,其中 New Feature 为 70.59%,Bug Fix 为 57.58%。

随后,claude-mem、hs 和 MemOS 的总体 Task Solve 均为 52.00%。也就是说,MemoraX 与第二梯队之间已经拉开了 10 个百分点的差距。

公开资料显示,MemoraX Code 并不只是把 Memory 当成简单的“存储 + 检索”,而是进一步考虑哪些信息值得写入、哪些记忆需要更新,以及什么时候应该重新调用。

MemoraX Code 将本地代码仓记忆与长期记忆结合,并通过 Memory Model 学习记忆的筛选、更新和调用。在历史开发轨迹之上,系统还会继续提炼 Procedure Memory,把过去已经验证过的分析、执行和验证流程,沉淀成后续任务可以复用的工程经验。

一组公开实验中,MemoraX 从 123 个历史任务片段中提炼出 15 条工程经验,并进一步归纳成 4 类 Procedure Memory。

相比单纯保存“过去发生过什么”,这套思路更关注另一件事:过去哪些经验,值得在下一次开发中继续使用。

claude-mem 则更强调开发过程的持续记录和按需恢复。

它会记录 Coding Agent 工作过程中产生的工具调用和 Observation,并将这些信息整理成更紧凑的语义记录,持久化保存下来。新的 Session 开始后,Agent 可以先搜索相关记录,再通过 Timeline 查看前后的开发过程,最后只读取当前任务真正需要的完整内容。

这种分层检索的方式,一方面避免一次性把大量历史重新塞进 Context,另一方面又保留了继续向前后追溯完整开发记录的能力。

榜单中,claude-mem 的总体 Task Solve 为 52.00%,其中 New Feature 为 56.86%,Bug Fix 为 49.49%。

从工业榜来看,Coding Memory 已经开始出现不同的产品路线:有的侧重持续记录和恢复 Agent 的开发轨迹,有的则进一步尝试从长期开发过程中筛选、提炼真正值得复用的经验。

而在首期榜单中,这种差异已经开始体现在最终的软件工程任务成功率上。




开源榜:8 个方法并列第一




相比之下,开源方法榜的头部成绩要集中得多。

AM-Link、AMC-Memory、aml-memory-baseline、aml-memory-mvp、causal-memory、Hybrid Episodic Memory、Memoria、nano-memory 的 Task Solve 全部为 52.67%,8 个方法并列第一。

再往后,agent-memory、ChronoHybridMem、mem0-BQE、MemoryBear 也都达到 52.00%。头部十几个方案之间,最终成绩相差不到 1 个百分点。

在这样的分布下,继续纠结第一、第二、第三的意义已经不大。更值得关注的是,这些成绩接近的方法,实际采用了哪些不同的 Memory 方案。

这里选取三种比较有代表性的实现。

causal-memory 的参赛方案以保留原始历史信息为主。检索时同时使用词法匹配和语义检索,再融合不同信号,对与当前任务相关的历史内容进行排序。

整体思路比较直接:不预先对历史做复杂抽象,而是尽量把原始信息保存下来,再把检索做好。

最终 causal-memory 的总体 Task Solve 为 52.67%,其中 New Feature 达到 62.75%,Bug Fix 为 47.47%。

Memoria 同样采用混合检索,但针对 Coding 场景做了更多优化。

除了语义检索和全文关键词搜索之外,它还会额外关注函数名、文件路径、snake_case、CamelCase、异常信息和代码 Token,并利用命中记录附近的历史消息补充上下文。

这样一来,函数名、路径、报错等非常具体的工程信号可以直接参与检索,而不必完全依赖自然语言的语义相似度。

Memoria 的总体 Task Solve 同样为 52.67%,其中 New Feature 为 60.78%,Bug Fix 为 48.48%。

agent-memory 则采用了更直接的 Raw-First 思路。

历史消息不会先经过 LLM 总结成新的 Memory,而是直接以原始记录的形式保存下来;检索阶段再结合 BM25 和本地 Dense Retrieval,对不同结果进行融合。

它的总体 Task Solve 为 52.00%,New Feature 为 50.98%,Bug Fix 则达到 52.53%。

至少从当前结果来看,对历史做更复杂的预先抽象,并不是取得较好成绩的必要条件。保留原始工程记录,同样是一条有效的路线。

再把 New Feature 和 Bug Fix 拆开看,不同方法之间的差异会更加明显。

causal-memory 为 62.75% / 47.47%,Memoria 为 60.78% / 48.48%,agent-memory 则为 50.98% / 52.53%。

仅凭这些成绩,还不能判断某一种 Memory 设计天然更适合某类任务。但至少可以看到,新功能开发和 Bug 修复虽然都需要历史经验,真正有用的信息却未必相同。

开发新功能时,Agent 可能更依赖过去的实现方式、模块关系和项目惯例;而在 Bug 修复中,报错信息、修改路径、失败尝试和具体修复记录往往更加重要。

如何针对不同的软件工程任务组织和召回历史经验,依然是 Coding Memory 需要继续解决的问题。


首期代码榜还看不出哪一种技术路线已经成为确定答案。工业榜最高 Task Solve 为 62.00%,开源榜第一梯队为 52.67%,无论商业系统还是开源方法,都还有很大的提升空间。

但 Coding Memory 已经把记忆评测向前推进了一步:关注点不再只是 Agent 保存了多少历史、又召回了多少内容,而是这些历史经验最终能不能提高真实软件工程任务的完成率。

Memory 正在从“记住过去”,走向“减少重复试错”。


第二届Agent Memory Challenge即将启动

第 二 届 Agent Memory Challenge(Agent记忆公开挑战赛)即将启动,开放报名时间为2026年9月20日,详细信息参见推文。欢迎符合条件的高校、科研机构、企业、开源团队和个人研究者报名参赛,共同推动AgentMemory Benchmark的建设与演进!


CSIG主办|15万奖金池,第二届 Agent Memory Challenge 即将启动