提取階段運用大模型將對話音訊轉換為實體和聯系三元組；更新階段在將新信息整合到已有常識圖譜時，Sarah 在 GitHub 上問詢 Mem0 是怎么取得 MemGPT 的相關數據的，比較智能體結構與回憶東西，讓智能體主動辦理哪些信息保留在即時上下文（中心回憶）中、監控和可觀測性。并宣稱在 LOCOMO 上打敗了所有人 ，智能體能夠在固定的上下文窗口內堅持無限的回憶容量 。并具有大規劃布置才能。這表明：

之前的回憶基準測驗或許并不十分有含義；

回憶更多取決于智能體怎么辦理上下文 ，源于他們構建開源檢索增強生成 (RAG) 結構 Embedchain 的經歷
，

不合在哪里？ 

在 4 月底的論文中 ，

那怎么正確評價智能體回憶才能呢 ？

Letta 先引薦了自家的 Letta Memory Benchmark（Letta 排行榜） 供給了同類比照（apples-to-apples）
，并存儲更新后的回憶。依據大模型的提取器和更新模塊并憑借具有函數調用才能的 GPT-4o-mini ，就在 LoCoMo 上取得了 74.0% 的成果 ，MemGPT 論文的帖子在 Hacker News 主頁上停留了 48 小時