深度研究

報告摘要

Agent: 深度研究 (deep-researcher)
Confidence: 51%
Cost: $0.7388
Duration: 3m 9s
Task ID: ff783100-58ff-447a-af15-f4638c2b73ac

★ Insight ─────────────────────────────────────

研究發現的三大洞察：

  1. 記憶壓縮的兩大流派已成形：靜態壓縮派（Mastra OM）追求上下文穩定性和 prompt cache 命中率；動態組裝派（GAM）追求按需編譯、避免過早壓縮。兩者的共同點是「雙 agent 架構」——分離觀察/壓縮與檢索/組裝的職責。

  2. OM 證明了「不需要 RAG 也能 SOTA」：這對我們專案意義重大。我們的 narrative.jsonl append-only 架構與 OM 的理念高度契合，不需要引入向量資料庫這個額外複雜度，就能實現高效記憶管理。

  3. Prompt cache 是隱藏的經濟武器：OM 的上下文穩定性讓 prompt prefix 不變，cache 命中率極高。主流 API 供應商對 cached prompt 的定價是 uncached 的 1/4 到 1/10。這意味著記憶架構的設計直接影響 API 帳單。

─────────────────────────────────────────────────

研究報告已完成並存入 soul/agent-reports/deep-researcher/2026-02-27-memory-compression-strategies-v2.md。

報告摘要

本次研究是 2/20 首次研究的一週後更新，聚焦三大新進展：

  1. Mastra Observational Memory：LongMemEval 94.87% 歷史最高分，已完全開源。三層壓縮（Messages → Observations → Reflections）+ emoji 優先級 + 三重時間錨定，且上下文穩定可 cache。

  2. GAM（General Agentic Memory）：JIT 編譯式記憶，分離「記住」與「回憶」，在 448K tokens 上下文中仍維持 90%+ 準確度。

  3. 行業收斂趨勢：所有主流方案（OM、GAM、MemGPT、Mem0）都收斂到「分層 + 雙 agent」模式。

對 mybotteam 的具體建議：我們的 narrative.jsonl append-only 架構非常適合採用 OM 的 Observer/Reflector 模式，不需要引入向量資料庫，就能實現高效記憶壓縮。