在多模态AI智能体领域，如何让系统在延续数月的交互中有效记住、组织并调取图文音视频混合经验，是一个尚未破解的难题。

一袭红衣

[AI]《Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory》J Liu, Z Ling, S Qiu, Y Liu… [UNC-Chapel Hill & University of Pennsylvania] (2026)


在多模态AI智能体领域，如何让系统在延续数月的交互中有效记住、组织并调取图文音视频混合经验，是一个尚未破解的难题。 手动设计记忆系统的研究者每天只能探索寥寥几种配置，而架构、检索策略、提示工程、数据管道之间的耦合关系，使得传统超参数优化工具无从置喙。

本文的核心洞见是：把"如何设计多模态记忆系统"本身重新看作一个可被AI自主优化的研究对象。由此，将自主研究流水线AUTORESEARCHCLAW直接作用于代码库这一关键操作使问题得以解开——流水线在72小时内自主执行约50次实验，自动定位程序缺陷（修复一个缺失的JSON格式参数使F1提升175%）、重构架构（密集-稀疏-图三路混合检索）、调整提示定位策略（单一类别提升188%），最终将LoCoMo基准F1从0.117推至0.598。

这项工作真正留下的遗产是一条实证性结论：在复杂AI系统优化中，Bug修复、架构变更和提示工程的收益各自远超全部超参数调优的累计贡献，这从根本上划定了自主研究与传统AutoML的边界。它为后来者打开的新门是：将自主研究范式推广至其他具备"可量化评估、模块化、快速迭代"特性的AI系统域。但尚未跨过的门槛是：该范式依赖现有代码库作为起点，对于需要从零构建评估体系或缺乏标量指标的领域，其适用性仍有待验证。

arxiv.org/abs/2604.01007

##